大家好,欢迎来到IT知识分享网。
准备工作
找到自己的User-Agent,用于爬虫的伪装
查看自己的Python是否安装了所需库,没有安装的可以直接在该页面点+号搜索安装
代码示例
# 爬取豆瓣Top250电影信息
import bs4
import re
import urllib.request
import urllib.error
import xlwt
# 创建正则表达式对象
findLink = re.compile(r'<a href="(.*)">')
findImgsrc = re.compile(r'<img.*src="(.*)" width="100"/>', re.S) # re.S:换行符包括在内
findTitle = re.compile(r'<span class="title">(.*)</span>')
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findNum = re.compile(r'<span>(\d*)人评价</span>')
findInq = re.compile(r'<span class="inq">(.*)</span>')
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)
# 主函数
def main():
baseurl = "https://movie.douban.com/top250?start="
datalist = getData(baseurl)
savepath = "豆瓣电影Top250.xls"
saveData(datalist, savepath)
def getData(baseurl):
print("开始")
datalist = []
for i in range(0, 10): # 每个网页有25部电影,需要循环10次
url = baseurl + str(i*25)
html = askURL(url)
# 解析数据
soup = bs4.BeautifulSoup(html, "html.parser")
for item in soup.find_all('div', class_="item"):
# print(item) # 测试item
data = [] # 保存一部电影的完整信息
item = str(item)
link = re.findall(findLink, item)[0]
data.append(link)
imgsrc = re.findall(findImgsrc, item)[0]
data.append(imgsrc)
# 部分电影有中英文名字
titles = re.findall(findTitle, item)
if len(titles) == 2:
ctitle = titles[0]
data.append(ctitle)
etitle = titles[1].replace("/", "") # 去除无关符号
data.append(etitle)
else:
data.append(titles[0])
data.append(" ")
rating = re.findall(findRating, item)[0]
data.append(rating)
num = re.findall(findNum, item)[0]
data.append(num)
# 部分电影没有概括
inq = re.findall(findInq, item)
if len(inq) != 0:
inq = inq[0].replace("。", "")
data.append(inq)
else:
data.append(" ")
# 相关内容里一些不必要的符号较多
bd = re.findall(findBd, item)[0]
bd = re.sub("<br(\s+)?/>(\s+)?", " ", bd)
bd = re.sub("/", " ", bd)
data.append(bd.strip()) # 去掉空格
datalist.append(data)
# print(datalist) # 测试datalist
return datalist
# 获得一个URL的网页内容
def askURL(url):
# 模拟浏览器头部信息,向服务器发送消息(该信息需要自己获得)
print("爬取中...")
head = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64)\
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.80 Safari/537.36 Edg/98.0.1108.50"}
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
# 保存数据到excel
def saveData(datalist, savepath):
print("保存中...")
book = xlwt.Workbook(encoding='utf-8', style_compression=0)
sheet = book.add_sheet("豆瓣电影Top250", cell_overwrite_ok=True) # 创建工作表(可覆盖)
col = ("电影详情链接", "图片链接", "中文名", "英文名", "评分", "评价数", "概括", "相关信息")
# 创建列名
for i in range(0, 8):
sheet.write(0, i, col[i])
# 保存数据
for i in range(0, 250):
# print("第%d部" % (i+1))
data = datalist[i]
for j in range(0, 8):
sheet.write(i+1, j, data[j])
book.save("豆瓣电影Top250.xls")
print("完成")
if __name__ == "__main__":
main()
IT知识分享网
正则表达式对象可以查看网页源代码,根据自己要爬取的内容进行修改
运行结果
有什么疑问可以评论留言
免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://yundeesoft.com/4196.html