Python爬虫示例01：网页数据采集至Excel

Python爬虫示例01：网页数据采集至Excel

---

---

写在前面

使用目的：避免繁琐网页浏览工作，提高工作效率
声明：请勿对任何网站进行过分数据提取

---

一、问题描述

读取某网站的电影链接、图片链接、影片中英文名、评分、评价数、概况、相关信息，汇总至表格

---

二、编程思路

1. 准备工作：导入下面的文件（文件导入如下）

from bs4 import BeautifulSoup           # 网页解析，获取数据
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SQLite数据库操作

2. 处理网页数据：通过Bs4将提取的网页信息分割，re正则表达式提取有效信息

# 影片详情链接的规则
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
# 影片片名
findTitle = re.compile(r'(.*)')
# 影片评分
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)
def getData(baseurl):
    datalist = []
    for i in range(0, 10):                                      # 提取页面信息与网页有关
        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
            data = []                                           # 保存一部电影的所有信息
            item = str(item)

            # 影片链接
            link = re.findall(findLink, item)[0]                # re库用来通过正则表达式查找指定的字符串
            data.append(link)                                   # 添加链接
            # 影片图片
            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc)                                 # 添加图片
            # 影片片名
            titles = re.findall(findTitle, item)                # 片名可能只有一个中文名，没有外国名
            if len(titles) == 2:
                ctitle = titles[0]
                data.append(ctitle)                             # 添加中文名
                titles[1] = re.sub('\xa0', " ", titles[1])
                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
            # 影片评分
            rating = re.findall(findRating, item)[0]
            data.append(rating)                                 # 添加评分
            # 影片人数
            judgeNum = re.findall(findJudge, item)[0]
            data.append(judgeNum)                               # 提加评价人数
            # 影片评价
            inq = re.findall(findInq, item)
            if len(inq) != 0:
                inq = inq[0].replace("。", "")                   
                data.append(inq)                                
            else:
                data.append(" ")                                
            # 影片详情
            bd = re.findall(findBd, item)[0]
            bd = re.sub('(\s+)?', " ", bd)           # 去掉

            bd = re.sub('/|\xa0', " ", bd)                      # 替换/
            data.append(bd.strip())                             # 去掉前后的空格

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

3. 访问网页，获取信息：模仿浏览器浏览网页，返回网页页面信息

def askURL(url):
    head = {"User-Agent": 自己电脑的浏览器信息}
    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)
        if hasattr(e, "reason"):
            print(e.reason)
    return html

4. 保存数据：将数据保存至指定路劲的Excel中

# 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('你的文件夹名', 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):
        sheet.write(0, i, col[i])                                                               # 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])                                                      # 数据
    book.save(savepath)  # 保存

5. 主程序：将数据保存至指定路劲的Excel中

def main():
    baseurl = "网页地址"
    datalist = getData(baseurl)
    savepath = "数据保存地址.xls"
    # 保存数据
    saveData(datalist,savepath)

---

参考网站名称

Python课程天花板,Python入门+Python爬虫+Python数据分析5天项目实操

---