标签：head def art prope name webkit 写入 win 一个
耗时两天,终于将李巍老师的爬虫部分学习完,非常感谢李老师,讲课很生动,课程来源bilibili UP主:IT私塾.
以下为源代码:
#-*- codeing= utf-8 -*-
#__author__: zoe
#date: 2020/5/15
from bs4 import BeautifulSoup
import urllib
import urllib.request
import re
import openpyxl as ox
#1.爬取网页
#2.逐一解析数据
#3.保存数据
def main():
baseurl = ‘https://movie.douban.com/top250?start=‘
datalist = getData(baseurl)
savepath = ".\\豆瓣电影Top250.xlsx"
saveData(datalist,savepath)
# askURL(baseurl)
#影片详情链接的规则
findLink= re.compile(r‘<a href="(.*?)">‘)
#影片图片
findImgSrc = re.compile(r‘<img alt.*src="(.*?)"‘,re.S) #re.S不包括换行符,S大写
#影片片名
findName = re.compile(r‘<span class="title">(.*)</span>‘)
#影片评分
findRating = re.compile(r‘<span class="rating_num" property="v:average">(.*)</span>‘)
#影片评价人数
findPJ = re.compile(r‘<span>(\d*)人评价</span>‘)
#影片总结
findInq = re.compile(r‘<span class="inq">(.*)</span>‘)
#影片相关内容
findBd = re.compile(r‘<p class="">(.*?)</p>‘,re.S)
def askURL(url):
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36"
}
# url = ‘https://movie.douban.com/top250?start=0&‘
req = urllib.request.Request(url, headers=headers) #发送请求的格式
html = ‘‘
try: ##异常捕获
response = urllib.request.urlopen(req) ##将请求返回的结果对象给response
html = response.read().decode(‘utf-8‘) ###读取response,并进行解码
#print(html)
except urllib.error.URLError as e: #异常处理
if hasattr(e,‘code‘):
print(e.code)
if hasattr(e,‘reason‘):
print(e.reason)
return html #将结果html返回
def getData(baseurl):
datalist = []
for i in range(10):
url = baseurl + str(i*25) #对每个网页进行爬取,用i*25遍历25页网页
html= askURL(url) #调用askURL函数,向网页发送请求,将返回的数据赋值给html
sp = BeautifulSoup(html,‘html.parser‘) #
for item in sp.find_all(‘div‘,class_=‘item‘): #对爬取到的数据做遍历
data = []
item = str(item) #将item转化为字符串方便处理
# print(item) #调试查看item内容
# break #只打印一个item
img = re.findall(findImgSrc,item)[0] #调用findImgSrc,筛选出item中的电影图片链接
data.append(img) #用列表的.append()将img加入到列表尾部
name = re.findall(findName,item) #调用findName,筛选出item中的电影名
if len(name) == 2:
cname = name[0]
data.append(cname)
#ename = name[1][1:len(ename)] #用字符串切片去除掉外文名中的/,报错,len(ename)无法调用,需要分两步赋值,不如replace
ename = name[1].replace(‘/‘,‘‘) #用replace去除掉外文名中的/
data.append(ename)
else:
data.append(name[0])
data.append(‘ ‘) #无外文名就留空
rating = re.findall(findRating,item)[0]
data.append(rating)
pj = re.findall(findPJ,item)[0]
data.append(pj)
inq = re.findall(findInq,item)
if len(inq) !=0:
inq = inq[0].replace(‘。‘,‘‘)
data.append(inq)
else:
data.append(‘ ‘) #无详情信息留空
link = re.findall(findLink, item)[0]
data.append(link)
bd = re.findall(findBd,item)[0]
bd = re.sub(‘<br(\s+)?/>(\s+)?‘,‘ ‘,bd)
bd = re.sub(‘/‘,‘ ‘,bd)
data.append(bd.strip()) #去掉前后空格
datalist.append(data)
# for i in datalist:
# print(i)
# print()
return datalist
def saveData(datalist,savepath):
wb = ox.Workbook()
ws = wb.get_active_sheet()
lname = (‘序号‘,‘图片链接‘,‘电影中文名‘,‘电影外文名‘,‘评分‘,‘评价‘,‘概述‘,‘电影详情链接‘,‘其他信息‘)
for i in range(9):
ws.cell(1,i+1,lname[i]) #第一行为列名
for i in range(250): #遍历250部电影信息
data = datalist[i] #从大表中取出每一部电影信息,本身也是一个列表,赋值给data
ws.cell(i+2,1,i+1) #加入第一列序号
for j in range(8):
ws.cell(i+2,j+2,data[j]) #把电影信息遍历逐个写入单元格.
wb.save(savepath) #保存在函数传入的savepath路径中.
return
if __name__ == "__main__" :
main()
20,爬取豆瓣电影TOP250,教程为BiliBili IT私塾
标签：head def art prope name webkit 写入 win 一个
原文地址：https://www.cnblogs.com/zpzhou/p/12909461.html
