Python爬虫技术5：保存数据

Python爬虫技术5：保存数据

一、基本操作

import xlwt

workbook=xlwt.Workbook(encoding="utf-8")    #创建workbook对象
worksheet=workbook.add_sheet('sheet1')      #创建工作表
worksheet.write(0,0,'hello')                #(行，列，内容）
workbook.save('student.xls')                #保存数据表

得到一个xls文件：

练习：九九乘法表

import xlwt
#九九乘法表
workbook=xlwt.Workbook(encoding="utf-8")
worksheet=workbook.add_sheet('sheet1')
for i in range(0,9):
    for j in range(0,i+1):
        worksheet.write(i,j,"%d*%d=%d"%(i+1,j+1,(i+1)*(j+1)))

workbook.save('student.xls')                #保存数据表

得到：

最终代码！！！！

#-*- coding = utf-8 -*-
#@Time : 2020/9/8 23:17
#@Author : Vivian
#@File : spider.py
#@Sofeware : PyCharm

from bs4 import BeautifulSoup  #网页解析，获取数据
import re   #正则表达式，进行文件匹配
import urllib.request,urllib.error  #指定URL，获取网页数据
import xlwt #进行excel操作
import sqlite3  #进行SQLite数据库操作


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

    savepath="豆瓣电影Top250.xls"    #保存在当前路径下
    #3.保存数据
    saveData(datalist,savepath)

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

#正则表达式
#()里的东西是我们要的

#影片详情链接的正则表达式
findLink=re.compile(r'')   #创建正则表达式对象，表示规则（字符串的模式）
#影片图片
findImgSrc=re.compile(r',re.S)    #re.S 让换行符包含在字符中
#影片的片名
findTitle=re.compile(r'(.*)')
#影片的评分
findRating=re.compile(r'(.*)')
#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)

#1.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：十次
        url=baseurl+str(i*25)
        html=askURL(url)        #保存获取到的网页源码

        # 2.逐一解析数据
        soup=BeautifulSoup(html,"html.parser")

        # 查找符合要求的字符串，形成列表
        #下面查找div标签，有一个class属性（要加上下划线）等于item的内容
        for item in soup.find_all('div',class_="item"):
            #print(item)        #测试：查看电影item全部信息
            data=[]             #保存一部电影的所有信息
            item=str(item)      #变成字符串，可以用正则表达式分析

            #获取影片详情链接
            link=re.findall(findLink,item)[0]   #re库用来通过正则表达式（findLink）查找指定的字符串(item)，获得第一个满足的存到link里
            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("/","")    #去掉无关符号
                data.append(otitle)             #添加外国名
            else:
                data.append(titles[0])
                data.append(' ')       #外国名留空

            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())             #去掉前后空格

            datalist.append(data)      #把处理好的一部电影信息放入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向豆瓣服务器发送消息   注意空格去掉
        "User-Agent": "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 80.0.3987.106Safari / 537.36"
    }
            #用户代理：告诉豆瓣服务器我们是什么类型的机器（浏览器）（表示我们可以接收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



#3.保存数据
def saveData(datalist,savepath):
    workbook = xlwt.Workbook(encoding="utf-8",style_compression=0)
    worksheet = workbook.add_sheet('豆瓣电影TOP250',cell_overwrite_ok=True)
    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])     #写入列名
    for i in range(0,250):
        print("第%d条"%i)
        data=datalist[i]
        for j in range(0,8):
            worksheet.write(i+1,j,data[j])      #数据
    workbook.save(savepath)  # 保存

if __name__ == "__main__":      #当程序执行时（入口）
    #调用函数
    main()

爬取结果：