python爬虫爬取网页图片保存本地

目录

一：爬取网页图片保存至本地

二：爬取网页数据导出excel查看

---

一：爬取网页图片保存至本地

导入必要的库

import collections  # 词频统计库
import os
import re  # 正则表达式库
import urllib.error  # 指定url，获取网页数据
import urllib.request
import jieba  # 结巴分词
import matplotlib.pyplot as plt  # 图像展示库
import numpy as np  # numpy数据处理库
import pandas as pd
import wordcloud  # 词云展示库
import xlwt  # 进行excel操作
from PIL import Image  # 图像处理库
from bs4 import BeautifulSoup  # 网页解析，获取数据
from pyecharts.charts import Bar  # 画柱形图

伪装成浏览器，向网页获取服务

head = {
    "User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 85.0.4183.121Safari / 537.36"
}

字符串模糊识别 (正则表达式)

# 影片详情链接规则
findLink = re.compile(r'')  # 创建正则表达式对象
# 影片图片的链接
findImgSrc = re.compile(r'(.*)')
# 影片评分
findRating = re.compile(r'(.*)')
# 评价人数
findJudge = re.compile(r'(\d*)人评价')
# 概况
findInq = re.compile(r'(.*)')
# 找到影片的相关内容
findBd = re.compile(r'
(.*?)
', re.S)

爬取网页数据，下载电影封面，保存至本地自己设置好的文件夹

# 爬取网页
def getDate(baseurl):
    datalist = []
    x = 1
    # 调用获取页面信息的函数(10次)
    for i in range(0, 10):
        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"):
            data = []  # 保存一部电影的所有信息
            item = str(item)  # 将item转换为字符串
            # 影片详情链接
            link = re.findall(findLink, item)[0]
            # 追加内容到列表
            data.append(link)

            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc)

            titles = re.findall(findTitle, item)
            if (len(titles) == 2):
                ctitle = titles[0]
                data.append(ctitle)  # 添加中文名
                otitle = titles[1].replace("/", "")
                data.append(otitle)  # 添加外国名
            else:
                data.append(titles[0])
                data.append(' ')  # 外国名如果没有则留空

            rating = re.findall(findRating, item)[0]
            data.append(rating)

            judgeNum = re.findall(findJudge, item)[0]
            data.append(judgeNum)

            inq = re.findall(findInq, item)
            if len(inq) != 0:
                inq = inq[0].replace("。", "")
                data.append(inq)
            else:
                data.append(' ')

            bd = re.findall(findBd, item)[0]
            bd = re.sub('(\s+)?', " ", bd)
            bd = re.sub('/', " ", bd)
            data.append(bd.strip())

            datalist.append(data)  # 把处理好的一部电影信息放入datalist
            # print(link)

            # 下载图片到本地
            root = "D://moviePic//"
            path = root + str(x) + '.jpg'
            try:
                if not os.path.exists(root):
                    os.mkdir(root)
                if not os.path.exists(path):
                    # r = requests.get(imgSrc, headers=head)
                    urllib.request.urlretrieve(imgSrc, path)
                    # with open(path, 'wb') as f:
                    #   f.write(r.content)
                    #   f.close()
                    print("下载第%d部电影封面" % (x))
                    x += 1
                else:
                    print("文件保存成功")
            except:
                print("下载失败")
    return datalist

 

等待下载，可在本地文件夹查看封面图片

二：爬取网页数据导出excel查看

得到指定的一个url的网页内容

# 得到指定一个url的网页内容
def askURL(url):
    request = urllib.request.Request(url, headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)  # 打印错误信息
        if hasattr(e, "reason"):
            print(e.reason)  # 打印错误原因
    return html

保存数据 至 excel

# 保存数据
def saveData(datalist, savepath):
    book = xlwt.Workbook(encoding="utf-8", style_compression=0)  # 创建workbook对象
    sheet = book.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")
    try:
        for i in range(0, 8):
            sheet.write(0, i, col[i])  # 输入列名
        for i in range(0, 250):
            print("第%d条" % (i + 1))
            data = datalist[i]
            for j in range(0, 8):
                sheet.write(i + 1, j, data[j])
        book.save(savepath)
    except:
        print("爬取异常")

完整源码分享

import collections  # 词频统计库
import os
import re  # 正则表达式库
import urllib.error  # 指定url，获取网页数据
import urllib.request
import jieba  # 结巴分词
import matplotlib.pyplot as plt  # 图像展示库
import numpy as np  # numpy数据处理库
import pandas as pd
import wordcloud  # 词云展示库
import xlwt  # 进行excel操作
from PIL import Image  # 图像处理库
from bs4 import BeautifulSoup  # 网页解析，获取数据
from pyecharts.charts import Bar  # 画柱形图


def main():
    baseurl = "https://movie.douban.com/top250?start="
    # 获取网页
    datalist = getDate(baseurl)
    savepath = ".\\豆瓣电影Top250.xls"
    # 保存数据
    saveData(datalist, savepath)


head = {
    "User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 85.0.4183.121Safari / 537.36"
}

# 影片详情链接规则
findLink = re.compile(r'')  # 创建正则表达式对象
# 影片图片的链接
findImgSrc = re.compile(r'(.*)')
# 影片评分
findRating = re.compile(r'(.*)')
# 评价人数
findJudge = re.compile(r'(\d*)人评价')
# 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 getDate(baseurl):
    datalist = []
    x = 1
    # 调用获取页面信息的函数(10次)
    for i in range(0, 10):
        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"):
            data = []  # 保存一部电影的所有信息
            item = str(item)  # 将item转换为字符串
            # 影片详情链接
            link = re.findall(findLink, item)[0]
            # 追加内容到列表
            data.append(link)

            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc)

            titles = re.findall(findTitle, item)
            if (len(titles) == 2):
                ctitle = titles[0]
                data.append(ctitle)  # 添加中文名
                otitle = titles[1].replace("/", "")
                data.append(otitle)  # 添加外国名
            else:
                data.append(titles[0])
                data.append(' ')  # 外国名如果没有则留空

            rating = re.findall(findRating, item)[0]
            data.append(rating)

            judgeNum = re.findall(findJudge, item)[0]
            data.append(judgeNum)

            inq = re.findall(findInq, item)
            if len(inq) != 0:
                inq = inq[0].replace("。", "")
                data.append(inq)
            else:
                data.append(' ')

            bd = re.findall(findBd, item)[0]
            bd = re.sub('(\s+)?', " ", bd)
            bd = re.sub('/', " ", bd)
            data.append(bd.strip())

            datalist.append(data)  # 把处理好的一部电影信息放入datalist
            # print(link)

            # 下载图片到本地
            root = "D://moviePic//"
            path = root + str(x) + '.jpg'
            try:
                if not os.path.exists(root):
                    os.mkdir(root)
                if not os.path.exists(path):
                    # r = requests.get(imgSrc, headers=head)
                    urllib.request.urlretrieve(imgSrc, path)
                    # with open(path, 'wb') as f:
                    #   f.write(r.content)
                    #   f.close()
                    print("下载第%d部电影封面" % (x))
                    x += 1
                else:
                    print("文件保存成功")
            except:
                print("下载失败")
    return datalist


# 得到指定一个url的网页内容
def askURL(url):
    request = urllib.request.Request(url, headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)  # 打印错误信息
        if hasattr(e, "reason"):
            print(e.reason)  # 打印错误原因
    return html


# 保存数据
def saveData(datalist, savepath):
    book = xlwt.Workbook(encoding="utf-8", style_compression=0)  # 创建workbook对象
    sheet = book.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")
    try:
        for i in range(0, 8):
            sheet.write(0, i, col[i])  # 输入列名
        for i in range(0, 250):
            print("第%d条" % (i + 1))
            data = datalist[i]
            for j in range(0, 8):
                sheet.write(i + 1, j, data[j])
        book.save(savepath)
    except:
        print("爬取异常")


if __name__ == '__main__':
    main()
    print("爬取完毕")