1、任务介绍
需求分析
爬取豆瓣电影Top250的基本信息，包括电影的名称，豆瓣评分，评价数，电影概况，电影链接等。
https://movie.douban.com/top250
2、基本流程
2.1、准备工作
通过浏览器查看分析目标网页，学习编程基础规范 与Java的一些区别，Python没有主函数，需要自己去定义并判断
def main():#所有程序从这里开始执行 print("hello") if __name__=="__main__": #当 当前程序执行时 #调用函数 main() 2.1.1引入模块
作用就是使用模块里封装好的功能
from bs4 import BeautifulSoup#网页解析 import re #正则表达式，进行文字匹配 import urllib.request,urllib.error #指定URL，获取网页数据 import xlwt #进行Excel操作 import sqlite3 # 进行SQLite数据库操作 #若你的Python升级到2.7.9以后，就会引入一个新特性， #引入了一个新特性，当使用urllib打开https的链接时，会检验一次ssl证书 import ssl #全局取消证书验证(当项目对安全性问题不太重视时，推荐使用，可以全局取消证书的验证，简易方便) ssl._create_default_https_context = ssl._create_unverified_context 2.1.2构建流程
def main(): baseurl="https://movie.douban.com/top250"#要爬取的网站的路径 #1.爬取网页 datalist=getData(baseurl)#将网站爬取的数据存放在datalist中 savepath="豆瓣电影Top250.xls"#爬取的数据保存的文件名 #3.保存数据 saveData(datalist,savepath)#将爬取的数据保存在指定的文件内 #爬取网页 def getData(baseurl): datalist=[] return datalist 2.2、获取数据
通过HTTP库向目标站点发起请求，请求可以包含额外的header等信息，如果服务器能正常响应，会得到一个Response,便是所要获取的页面内容。 伪装head得到的方法
#爬取网页 def getData(baseurl): datalist=[] for i in range(0,10):#调用获取页面信息的函数，10次 url=baseurl+str(i*25)#baseurl就是参数start后面的值,其实就是个0 html=askURL(url)#保存获取到的网页源码 #得到指定一个URL的网页内容 def askURL(url): #用户代理表示告诉豆瓣服务我们是什么类型的机器，浏览器(本质上是告诉浏览器，我们可以接受什么水平的文件内容) head={ #模拟浏览器头部信息，向豆瓣服务器发送消息 "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36" } request=urllib.request.Request(url,headers=head)#伪装成是浏览器去发出请求，防止被看出是爬虫 html="" try: #将爬取网页的源码存放在response中(获取一个get请求) response = urllib.request.urlopen(request) html=response.read().decode("utf-8")#将response中读取到的源代码进行解码 #print(html) except urllib.error.URLError as e:#访问可能出现404，或者其它错误 if hasattr(e,"code"): print(e.code) if hasattr(e,"reason"): print(e.reason) return html
2.3、解析内容
得到的内容可能是HTML、json等格式，可以用二面解析库，正则表达式等进行解析
#影片详情链接的规则 findLink = re.compile(r'<a href="(.*?)">')#创建正则表达式，表示规则(字符窜的模式) #影片图片 findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S)#re.S让换行符包含在字符中 #影片片名 findTitle=re.compile(r'<span class="title">(.*)</span>')#re.S让换行符包含在字符中 #影片评分 findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')#re.S让换行符包含在字符中 #找到评价人数 findJudge=re.compile(r'<span>(d*)人评价</span>') #找到概况 findInq=re.compile(r'<span class="inq">(.*)</span>') #找到影片的相关内容 findBd=re.compile(r'<p class="">(.*?)</p>',re.S) #逐一解析数据 soup= BeautifulSoup(html,"html.parser")#使用html的解析器 for item in soup.find_all('div',class_="item"): #查找符合要求的字符串，形成列表 #print(item) data=[] item=str(item) #影片详情链接 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(标签里的字符串) data.append(link) #图片 imgSrc=re.findall(findImgSrc,item)[0] data.append(imgSrc) #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):#若该电影有两个名字 ctitle=titles[0]#得到第一个中文名 data.append(ctitle) otitle=titles[1].replace("/","")#去掉无关的符号，在一个电影名称中，若有多个名字，每个名字之间会使用/分割开了 data.append(otitle)#添加外国名 else:#若只有一个中文名 data.append(titles[0])#将爬取到的第一个名字存入 data.append(' ')#外国名留空 #评分 rating=re.findall(findRating,item)[0] data.append(rating) #评价人数 judgeNum=re.findall(findJudge,item)[0] data.append(judgeNum)#增加评价人数 #概括 inq=re.findall(findInq,item) if len(inq) !=0:#如果电影有概述 inq=inq[0].replace("。","")#每个电影概述后面有一个句号 data.append(inq)#添加概述 else: data.append("")#留空 #相关内容 bd=re.findall(findBd,item)[0] bd=re.sub('<br(s+)?/>(s+)?'," ",bd)#去掉<br/> bd=re.sub('/'," ",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 2.4、保存数据
保存形式多样，可以村委文本，也可以保存到数据，或者保存特定格式的文件
#保存数据 def saveData(datalist,savepath): print("save..") 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") 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 最后完整代码
from bs4 import BeautifulSoup#网页解析 import re #正则表达式，进行文字匹配 import urllib.request,urllib.error #指定URL，获取网页数据 import xlwt #进行Excel操作 import sqlite3 # 进行SQLite数据库操作 #若你的Python升级到2.7.9以后，就会引入一个新特性， #引入了一个新特性，当使用urllib打开https的链接时，会检验一次ssl证书 import ssl #全局取消证书验证(当项目对安全性问题不太重视时，推荐使用，可以全局取消证书的验证，简易方便) ssl._create_default_https_context = ssl._create_unverified_context def main(): baseurl="https://movie.douban.com/top250?start=" #1.爬取网页 datalist=getData(baseurl) savepath="豆瓣电影Top250.xls" #3.保存数据 saveData(datalist,savepath) #askURL("https://movie.douban.com/top250") #影片详情链接的规则 findLink = re.compile(r'<a href="(.*?)">')#创建正则表达式，表示规则(字符窜的模式) #影片图片 findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S)#re.S让换行符包含在字符中 #影片片名 findTitle=re.compile(r'<span class="title">(.*)</span>')#re.S让换行符包含在字符中 #影片评分 findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')#re.S让换行符包含在字符中 #找到评价人数 findJudge=re.compile(r'<span>(d*)人评价</span>') #找到概况 findInq=re.compile(r'<span class="inq">(.*)</span>') #找到影片的相关内容 findBd=re.compile(r'<p class="">(.*?)</p>',re.S) #爬取网页 def getData(baseurl): datalist=[] for i in range(0,10):#调用获取页面信息的函数，10次 url=baseurl+str(i*25)#baseurl就是参数start后面的值,其实就是个0 html=askURL(url)#保存获取到的网页源码 #逐一解析数据 soup= BeautifulSoup(html,"html.parser")#使用html的解析器 for item in soup.find_all('div',class_="item"): #查找符合要求的字符串，形成列表 #print(item) data=[] item=str(item) #影片详情链接 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(标签里的字符串) data.append(link) #图片 imgSrc=re.findall(findImgSrc,item)[0] data.append(imgSrc) #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):#若该电影有两个名字 ctitle=titles[0]#得到第一个中文名 data.append(ctitle) otitle=titles[1].replace("/","")#去掉无关的符号，在一个电影名称中，若有多个名字，每个名字之间会使用/分割开了 data.append(otitle)#添加外国名 else:#若只有一个中文名 data.append(titles[0])#将爬取到的第一个名字存入 data.append(' ')#外国名留空 #评分 rating=re.findall(findRating,item)[0] data.append(rating) #评价人数 judgeNum=re.findall(findJudge,item)[0] data.append(judgeNum)#增加评价人数 #概括 inq=re.findall(findInq,item) if len(inq) !=0:#如果电影有概述 inq=inq[0].replace("。","")#每个电影概述后面有一个句号 data.append(inq)#添加概述 else: data.append("")#留空 #相关内容 bd=re.findall(findBd,item)[0] bd=re.sub('<br(s+)?/>(s+)?'," ",bd)#去掉<br/> bd=re.sub('/'," ",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 #print(datalist) return datalist #得到指定一个URL的网页内容 def askURL(url): #用户代理表示告诉豆瓣服务我们是什么类型的机器，浏览器(本质上是告诉浏览器，我们可以接受什么水平的文件内容) head={ #模拟浏览器头部信息，向豆瓣服务器发送消息 "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36" } request=urllib.request.Request(url,headers=head)#伪装成是浏览器去发出请求，防止被看出是爬虫 html="" try: #将爬取网页的源码存放在response中(获取一个get请求) response = urllib.request.urlopen(request) html=response.read().decode("utf-8")#将response中读取到的源代码进行解码 #print(html) except urllib.error.URLError as e:#访问可能出现404，或者其它错误 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)#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") 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 if __name__=="__main__": #当程序执行时 main() 运行结果
