跟随B站视频学Python爬虫过程（6）：豆瓣电影TOP250并存Excel（使用urllib, bs, re, xlwt库）

出于督促自己学习以及未来回顾和分享的目的，记录一下自己的学习过程。

B站视频号：BV12E411A7ZQ

ep15-25. 完成爬取信息，处理数据，保存到Excel。具体流程为：

1. 找到目标网页的URL，如果存在多页，需要确定URL定位和页数的关系；

2. 引入所需要的库：Urllib，BS4，BeautifulSoup，Re，Xlwt；

3. 结构顺序为：爬取网页源代码→解析源代码→获得所需数据信息→整理并保存数据

代码实现：

# -*- coding = utf-8 -*-
# @Time : 10/11/21 3:11 pm
# @Author: YS
# @File : 爬取豆瓣电影TOP250.py
# @Software: PyCharm


# 爬取豆瓣电影TOP250：名称、豆瓣评分、评价数、电影概况、电影链接（https://movie.douban.com/top250)
# PS 爬虫实际上是爬取网页源代码
# 从网站获取信息，必须发送user-agent，读取cookie

# 1.获取目标URL
# 从网页浏览得到，每一页展示25个电影，共10页，每一页的URL对应(https://movie.douban.com/top250?start=X)，期中X=开始编号-1

# 2.页面分析
# 开发者模式，查找elements，获得network访问详情

# 3.编码规范
# utf-8编码；多用函数；用main执行测试

# 4.引入模块
import bs4  # 网页解析
from bs4 import BeautifulSoup  # 将源码解析为html，即分层结构
import re  # 正则表达式，文字匹配
import urllib.request  # 获取URL网页源码
import urllib.error  # 检验访问错误
import xlwt  # excel操作
import sqlite3  # 进行SQL


def main():
    baseurl = "https://movie.douban.com/top250?start="
    # 1.爬取网页
    askURL("https://movie.douban.com/top250?start=0")

    # 2.获得数据
    datalist = getData(baseurl)

    # 3.保存数据
    savepath = "/Users/zippoil/Desktop/豆瓣电影top250.xls"
    saveData(datalist, savepath)


# 电影详情链接匹配规则
findlink = re.compile(r'')  # 创建正则表达式规则，规则配合finall返回的是()中的内容
# 电影封面图匹配规则（链接）
findcover = re.compile(r'(.*?)')
# 电影评分匹配规则
findrating = re.compile(r'(.*?)')
# 电影评分人数匹配规则
findaudience = re.compile(r'(\d*)人评价')  # 此处锁定数字，贪婪匹配
# 电影概述匹配规则
findquote = re.compile(r'(.*?)')
# 演职员，年份，产地，类型匹配规则
findcast = re.compile(r'
(.*?)
', re.S)


def getData(baseurl):
    datalist = []
    for i in range(0, 10):  # 调用askURL十次，
        url = baseurl + str(i * 25)
        html = askURL(url)  # 执行十次，拿到10页全部250部电影数据，因为askURL的末尾是return，所以可以存为html
        # 2.逐一解析数据
        soup = BeautifulSoup(html, "html.parser")  # 解析html, 应用html解析器
        # 重点：先在浏览器的开发者模式elements下分析，得到每个电影在
 
，具体信息在
下
        for item in soup.find_all('div', class_="item"):  # 找到所有的div，且class="item"，注意需要下划线_
            # print(item)  # 经过解析，在查找时会返回满足条件的内容及其所有下层内容
            moviedata = []  # 保存一个电影的全部信息
            item = str(item)
            # 获得电影详情链接
            link = re.findall(findlink, item)[0]  # 用re库通过正则表达式查找指定字符串，findall返回的是列表，限定0即储存第一个满足的链接
            moviedata.append(link)
            # 获得电影封面图
            cover = re.findall(findcover, item)[0]
            moviedata.append(cover)
            # 获得电影名
            title = re.findall(findtitle, item)  # 有时有外文名有时没有
            if len(title) == 2:
                ctitle = title[0]
                ftitle = title[1].replace("/", "")  # 去掉/符号
                moviedata.append(ctitle)  # 中文名
                moviedata.append(ftitle)  # 外文名
            else:
                ctitle = title[0]
                moviedata.append(ctitle)
                moviedata.append("Null")  # 没有外文名时，外文名列留空，保证最后导出效果
            # 获得电影评分
            rating = re.findall(findrating, item)[0]
            moviedata.append(rating)
            # 获得评分人数
            audience = re.findall(findaudience, item)[0]
            moviedata.append(audience)
            # 获得电影概况
            quote = re.findall(findquote, item)  # 有的电影没有概述
            if len(quote) != 0:
                quote = quote[0].replace("。", "")  # 去掉句号
                moviedata.append(quote)
            else:
                moviedata.append("Null")  # 留空
            # 获得演职员，年份，产地，类型
            cast = re.findall(findcast, item)[0]
            cast = re.sub('(\s+)?', " ", cast)  # 去掉

            cast = re.sub("/", " ", cast)  # 去掉/
            moviedata.append(cast.strip())  # 去掉空格

            datalist.append(moviedata)
    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
    head["User-Agent"] = ("Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/15.0 Safari/605.1.15")
    head["Cookie"] = ('"push_noty_num=0; _pk_id.100001.4cf6=efb4e3002bfde787.1614869431.12.1636645754.1636640031.; _pk_ses.100001.4cf6=*; push_doumail_num=0; __utma=30149280.1643107469.1614869431.1636640031.1636645556.13; __utmb=30149280.0.10.1636645556; __utmc=30149280; __utmz=30149280.1636645556.13.9.utmcsr=accounts.douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/; ck=TgEX; __utma=223695111.1232125652.1614869431.1636640031.1636645556.11; __utmb=223695111.0.10.1636645556; __utmc=223695111; __utmz=223695111.1636645556.11.7.utmcsr=accounts.douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/; _pk_ref.100001.4cf6=%5B%22%22%2C%22%22%2C1636645555%2C%22https%3A%2F%2Faccounts.douban.com%2F%22%5D; dbcl2="209250688:VZZbqQ9NL7M"; _vwo_uuid_v2=D1835B0D5A26110B33228387A3B3497D9|2102788b20e0c99e81d2963cb8bdb3fa; ct=y; __yadk_uid=torZWdjbSJlf3JWSODn5mmPq8OlrjQX1; douban-fav-remind=1; __gads=ID=8a8633abef7a1403-228e9d3403b90021:T=1614869431:RT=1614869431:S=ALNI_MZ_EI5P-8v7pmmlOjl6hZv5pH_7ng; bid=ua9QPwGvWYQ; ll="108296"')
    request = urllib.request.Request(url, headers=head)  # 带着头部信息访问URL
    html = ""
    try:
        responce = urllib.request.urlopen(request)  # 返回结果
        html = responce.read().decode("utf-8")
        # print(html)
    except urllib.error.URLError as e:
        # 识别错误类型
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    return html


# 保存数据
def saveData(datalist, savepath):
    print("save...")
    book = xlwt.Workbook(encoding="utf-8", style_compression=0)  # 建文件
    sheet = book.add_sheet("豆瓣电影TOP250", cell_overwrite_ok=True)  # 建工作簿
    col = ("电影链接", "图片链接", "中文名", "外文名", "评分", "评价数", "概述", "相关信息")
    for i in range(0, 8, 1):
        sheet.write(0, i, col[i])  # 写入表头
    for i in range(0, 250, 1):
        print("第%d条"%(i+1))
        data = datalist[i]  # 第i个电影信息整合的列表
        for j in range(0, 8, 1):
            sheet.write(i+1, j, data[j])
    print("yeah！！！")
    book.save(savepath)


if __name__ == "__main__":  # 当程序执行时
    main()