第一个Python爬虫项目 ，爬取豆瓣top250中影片信息

第一个Python爬虫项目 ， 将爬取到的信息存到Excel表格中

#-*- codeing = utf-8 -*-
#@Time : 2020-07-17 19:27
#@Author : 姚云峰
#@File : demo1.py
#@Software : PyCharm

from bs4 import BeautifulSoup  # 网页解析 , 获取去数据
import re  # 正则表达式进行文字匹配
import urllib.request,urllib.error # 制定url获取网页数据
import xlwt # 进行excel操作
import sqlite3 #进行sqllite数据库操作

# 主方法
def main():
    baseUrl = "https://movie.douban.com/top250?start="
    # 爬取网页
    datalist = getData(baseUrl)

    # 保存路径
    savePath = "./豆瓣电影Top.xls"
    # 保存数据
    saveData(datalist , savePath)


    # askURL("https://movie.douban.com/top250?start=0")

# 获取影片链接的规则
findLink = re.compile(r'')  # 创建正则表达式对象 , 标识规则(字符串模式)
# 影片图片的链接
findImgSrc = re.compile(r' , re.S)  # re.S 让换行符包含在字符中
# 影片片名
findTitle = re.compile(r'(.*?)')
# 影片的评分
findRating = re.compile(r'(.*?)')
# 找到评价人数
findJudge = re.compile(r'(\d*)人评价')
# 找到概况
findInq = re.compile(r'(.*?)')
# 找到影片的相关内容
findBd = re.compile(r'
(.*?)
' , re.S)

# 爬取网页
def getData(baseUrl):
    datalist = []
    for i in range(0 , 10):    # 调用获取页面信息的函数 10 次
        url = baseUrl + str(i*25)
        html = askURL(url)  # 保存获取到的网页源码

        # 逐一解析数据
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all("div",class_="item"):  # 查找符合要求的字符串形成列表
            # print(item) #测试:查看item电影全部信息
            # break
            data = [] # 保存一步电影的全部信息
            item = str(item)

            # 获取影片详情链接
            link = re.findall(findLink , item)[0] # re库用来查找 , 通过正则表达式查找指定的字符串
            data.append(link)  # 添加链接

            imgSrc = re.findall(findImgSrc , item)[0]
            data.append(imgSrc)  # 添加图片

            titles = re.findall(findTitle , item)
            if(len(titles) == 2):
                ctitle = titles[0]
                data.append(ctitle)  # 添加中文名
                otitle = titles[1].replace("/","")  #  去掉无关的符号
                data.append(otitle) # 添加外国名
            else:
                data.append(titles[0])
                data.append(' ')  # 外国名字留空

            rating = re.findall(findRating , item)[0]
            data.append(rating)   # 添加评分

            judgeNum = re.findall(findJudge , item)[0]
            data.append(judgeNum)    # 添加评价人数

            inq = re.findall(findInq , item)
            if len(inq) != 0:
                inq = inq[0].replace("。" , "")  # 去掉句号
                data.append(inq)  # 添加概述
            else:
                data.append(" ")  # 留空

            bd = re.findall(findBd , item)[0]
            bd = re.sub('(\s+)?' , " " , bd)   # 去掉

            bd = re.sub('/' , " " , bd)
            data.append(bd.strip())  # 去掉前后的空格

            datalist.append(data)  # 把处理好的一步电影信息放入datalist
    # print(datalist)
    return datalist

# 得到指定一个url的网页内容
def askURL(url):
    head = {    # 模拟浏览器头部信息 , 想豆瓣服务器发送消息
        "User-Agent":"Mozilla/5.0(Windows NT 10.0; Win64; x64)AppleWebKit/537.36(KHTML, like Gecko)Chrome/81.0.4044.129 Safari/537.36"
    }
    # 用户代理标识告诉豆瓣服务器我们是什么类型的机器 浏览器(本质上是告诉浏览器 , 我们可以接受什么水平的文件内容)

    request = urllib.request.Request(url,headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
        # print(html)

    except urllib.error.URLError as e:
        if hasattr(e , "code"):
            print(e.code)
        if hasattr(e , "reason"):
            print(e.reason)
    return html

def saveData(datalist , savePath):
    # 保存数据
    workbook = xlwt.Workbook(encoding="utf-8" , style_compression=0)  # 创建workbook对象
    worksheet = workbook.add_sheet('豆瓣电影top250' , cell_overwrite_ok=True)  # 创建工作表

    col = ('电影详情链接' , "图片链接" , "影片中文名" , "影片外国名" , "评分" , "评价数" , "概况" , "相关信息")
    for i in range(0 , 8):
        worksheet.write(0 , i , col[i]) # 列名
    for i in range(0 , 250):
        print(f'第{i+1}条')
        data = datalist[i]
        for j in range(0 , 8):
            worksheet.write(i+1 , j , data[j])
    workbook.save(savePath)

if __name__ == "__main__":     #当程序执行时
# 调用函数
    main()
    print("爬取完毕")