时间:2020-12-03 python爬虫 查看: 1194
代码如下
from bs4 import BeautifulSoup #网页解析,获取数据
import sys #正则表达式,进行文字匹配
import re
import urllib.request,urllib.error #指定url,获取网页数据
import xlwt #使用表格
import sqlite3
import lxml
以上是引用的库,引用库的方法很简单,直接上图:
上面第一步算有了,下面分模块来,步骤算第二步来:
这个放在开头
def main():
baseurl ="https://movie.douban.com/top250?start="
datalist = getData(baseurl)
savepath=('douban.xls')
saveData(datalist,savepath)
这个放在末尾
if __name__ == '__main__':
main()
不难看出这是主函数,里面的话是对子函数的调用,下面是第三个步骤:子函数的代码
对网页正则表达提取(放在主函数的后面就可以)
爬数据核心函数
def getData(baseurl):
datalist=[]
for i in range(0,10):#调用获取页面的函数10次
url = baseurl + str(i*25)
html = askURl(url)
#逐一解析
soup = BeautifulSoup(html,"html.parser")
for item in soup.find_all('div',class_="item"):
#print(item)
data=[]
item = str(item)
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)
titles =re.findall(findtitle,item)
if(len(titles)==2):
ctitle=titles[0].replace('\xa0',"")
data.append(ctitle)#添加中文名
otitle = titles[1].replace("\xa0/\xa0Perfume:","")
data.append(otitle)#添加外国名
else:
data.append(titles[0])
data.append(' ')#外国名字留空
imgSrc = re.findall(findImg,item)[0]
data.append(imgSrc)
rating=re.findall(fileRating,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) #去掉<br/>
bd =re.sub('\xa0'," ",bd)
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
获取指定网页内容
def askURl(url):
head = {
"User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) Apple"
+"WebKit / 537.36(KHTML, likeGecko) Chrome / 78.0.3904.108 Safari / 537.36"
}
#告诉豆瓣我们是浏览器我们可以接受什么水平的内容
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
将爬下来的数据保存到表格中
ef saveData(datalist,savepath):
print("保存中。。。")
book = xlwt.Workbook(encoding="utf-8",style_compression=0) # 创建workbook对象
sheet = book.add_sheet('douban',cell_overwrite_ok=True) #创建工作表 cell_overwrite_ok表示直接覆盖
col = ("电影详情链接","影片中文网","影片外国名","图片链接","评分","评价数","概况","相关信息")
for i in range(0,8):
sheet.write(0,i,col[i])
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])
book.save(savepath)
以上就是整个爬数据的整个程序,这仅仅是一个非常简单的爬取,如果想要爬更难的网页需要实时分析
整个程序代码
from bs4 import BeautifulSoup #网页解析,获取数据
import sys #正则表达式,进行文字匹配
import re
import urllib.request,urllib.error #指定url,获取网页数据
import xlwt #使用表格
import sqlite3
import lxml
def main():
baseurl ="https://movie.douban.com/top250?start="
datalist = getData(baseurl)
savepath=('douban.xls')
saveData(datalist,savepath)
#影片播放链接
findLink = re.compile(r'<a href="(.*?)" rel="external nofollow" rel="external nofollow" >') #创建正则表达式对象,表示规则(字符串的模式)
#影片图片
findImg = re.compile(r'<img.*src="(.*?)" width="100"/>',re.S)#re.S取消换行符
#影片片面
findtitle= re.compile(r'<span class="title">(.*?)</span>')
#影片评分
fileRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
#找到评价的人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
#找到概识
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 getData(baseurl):
datalist=[]
for i in range(0,10):#调用获取页面的函数10次
url = baseurl + str(i*25)
html = askURl(url)
#逐一解析
soup = BeautifulSoup(html,"html.parser")
for item in soup.find_all('div',class_="item"):
#print(item)
data=[]
item = str(item)
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)
titles =re.findall(findtitle,item)
if(len(titles)==2):
ctitle=titles[0].replace('\xa0',"")
data.append(ctitle)#添加中文名
otitle = titles[1].replace("\xa0/\xa0Perfume:","")
data.append(otitle)#添加外国名
else:
data.append(titles[0])
data.append(' ')#外国名字留空
imgSrc = re.findall(findImg,item)[0]
data.append(imgSrc)
rating=re.findall(fileRating,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) #去掉<br/>
bd =re.sub('\xa0'," ",bd)
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
#得到指定一个url的网页内容
def askURl(url):
head = {
"User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) Apple"
+"WebKit / 537.36(KHTML, likeGecko) Chrome / 78.0.3904.108 Safari / 537.36"
}
#告诉豆瓣我们是浏览器我们可以接受什么水平的内容
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
def saveData(datalist,savepath):
print("保存中。。。")
book = xlwt.Workbook(encoding="utf-8",style_compression=0) # 创建workbook对象
sheet = book.add_sheet('douban',cell_overwrite_ok=True) #创建工作表 cell_overwrite_ok表示直接覆盖
col = ("电影详情链接","影片中文网","影片外国名","图片链接","评分","评价数","概况","相关信息")
for i in range(0,8):
sheet.write(0,i,col[i])
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])
book.save(savepath)
if __name__ == '__main__':
main()
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持python博客。