爬虫python=豆瓣Top250电影

主流程：获取数据，解析数据，保存数据

from bs4 import BeautifulSoup  #网页解析获取数据
import re   #正则表达式
import urllib.request,urllib.error #获取网页数据
import sqlite3 #轻量级数据库
import xlwt   #进行excel操作
#影视详情链接的正则表达式
findLink=re.compile(r'<a href="(.*?)">')
#影视图片
findImgSrc=re.compile(r'<img.*?src="(.*?)"',re.S) #re.S让换行符包含在字符串中
#影片片名
findTitle=re.compile(r'<span class="title">(.*?)</span>')
#影片评分
findRating=re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
#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)
def main():
    #要爬取的网页链接
    baseurl="https://movie.douban.com/top250?start="
    savepath="豆瓣电影Top250.xls"
    #1.爬取网页
    datalist=getData(baseurl)
    #2.保存数据
    saveData(datalist,savepath)
def getData(baseurl):
    datalist=[] #用来存储网页爬取的信息
    for i in range(0,10): #调用获取页面信息的函数
        url=baseurl+str(i*25)
        html=askURL(url) #保存获取的网页源码
        #2.逐一解析数据
        soup=BeautifulSoup(html,"html.parser")
        # print(soup.find_all('div',class_="item"))
        for item in soup.find_all('div',class_="item"):
            data=[] #保存一部电影所有信息
            item=str(item)
            link=re.findall(findLink,item)[0]
            data.append(link)
            imgSrc=re.findall(findImgSrc,item)[0]
            data.append(imgSrc)
            titles=re.findall(findTitle,item)
            if(len(titles)==2):
                ctitle=titles[0]
                data.append(ctitle)
                etitle=titles[1].replace("/","") #消除转义字符
                data.append(etitle)
            else:
                data.append(titles[0])
                data.append(" ")
            rating=re.findall(findRating,item)[0]
            data.append(rating)
            judgeNum=re.findall(findJudge,item)[0]
            data.append(judgeNum)
            inq=re.findall(findInq,item)
            if len(inq)!=0:
                inq=inq[0].replace("。","")
                data.append(inq)
            else:
                data.append(" ")
            bd=re.findall(findBd,item)[0]
            bd=re.sub('<br(\s+)?/>(\s+)?',"",bd)
            bd=re.sub('/',"",bd)
            data.append(bd.strip())
            datalist.append(data)
    return datalist

def askURL(url):
    head={ #模拟浏览器的头部信息，向豆瓣服务器发送消息
        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36 Edg/120.0.0.0"
    }  #用户代理，告诉豆瓣服务器，我们是什么类型的机器
    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)
    # print(html)
    return html
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):
        data=datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])
    book.save(savepath)


if __name__=="__main__":
    main()
    print("爬取完毕")

通过给出的基础网址链接，传入getData函数中进行拼接，得到每页的网址链接，通过再次传入askURL函数中，得到每页的html源码，并使用BeautifulSoup模块来解析html源码，使用其中的find_all方法来查找每个符合特定条件的元素，循环遍历，将每个元素正则匹配提取出我们需要的片名，评价人数，评分等信息，并逐一添加到列表data中，处理完一个电影（一个div元素），就把data添加到总的datalist列表中，进而得到所有电影的信息，并且以列表的形式进行存储，在askURL部分，主要是通过urllib.request.Request向服务器发送请求，并得到响应,这里创建了一个请求对象，这个过程中模拟了浏览器的头部信息（headers=head)，防止一些网站的反爬机制导致的爬取失败，之后还需要使用urllib.request.urlopen（request),来得到响应对象，通过对响应对象读取和解码，之后就能得到该页的网页源码html，在数据保存阶段，则是通过xlwt库创建workbook对象，然后在这个对象中添加工作表，来写入爬取到的信息，首先要在第一行写入列名，之后从之前爬取下来存储在datalist的嵌套列表中获取每部电影的数据，datalist中的每个元素是一个列表，也就是一部电影，逐一写入，并最终sava(保存路径)