爬虫练习：使用 bs4以及正则，urllib.request 爬取 豆瓣TOP250爬虫

#https://movie.douban.com/top250
#-*-coding:utf-8-*-


import sys
from bs4  import  BeautifulSoup  ##网页解析，获取数据
import re ##正则表达式，进行文字匹配
import  urllib.request,urllib.error##制作URL，获取网页数据
import xlwt ##进行excel操作
import sqlite3 ##进行sql操作

def main():
    baseurl  = 'https://movie.douban.com/top250?start='

    #1.爬取网页
    datalist = getData(baseurl)
    # 2.解析数据
    #3.存储数据
    savepath = ".\\豆瓣电影Top250.xls"
    saveData(datalist,savepath)
   # askURL("https://movie.douban.com/top250?start=0")
#获取影片详情链接规则
findLink = re.compile(r'<a href="(.*?)">') #创建正则表达式对象，表示规则（字符串的模式），complie适用大量重复的比对
#<img alt="肖申克的救赎" class="" src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p480747492.jpg" width="100"/>
#获取影片图片的链接
findImgSrc =re.compile(r'<img .*src="(.*?)"',re.S) #re.S 让换行符包含在字符中

#h影片片名
findTile = re.compile(r'<span class="title">(.*?)</span>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
#获取评价人数
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(0,250,25):#这里可以设置步进，即range(0,250,25)，下面就不用乘25

        url = baseurl+str(i)#str(i*25)
        html = askURL(url)#保存获取到的网页源码
        # 2.逐一解析数据
        soup = BeautifulSoup(html,"html.parser")
        # 查找符合要求的字符串，形成列表
        for  item in soup.find_all('div',class_='item'): # 查找class是item，且属于div的 ，注意这里的class有下划线

            #print(item)#测试：查看电影item全部信息

            data = []#存储一部电影的全部信息
            item = str(item)


            #获取影片详情链接
            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
            #print(link)

            data.append(link)
            #获取图片信息
            imgSrc = re.findall(findImgSrc,item)[0]
            #print(imgSrc)
            data.append(imgSrc)


            titles = re.findall(findTile,item)#片名可能只有一个中文名，也可能既有外文
            if(len(titles)==2):
                #添加中文名
                ctitle = titles[0]
                data.append(ctitle)
                #添加外国名
                otitle = titles[1].replace('/','')#去掉无关的符号，比如/
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append(' ')#留空，给外国名留空
            #添加评分
            rating = re.findall(findRating,item)[0]
            data.append(rating)
            #print(rating)
            #评价人数
            judgeNum = re.findall(findJudge,item)[0]
            data.append(judgeNum)
            inq = re.findall(findInq,item)
            #获得概况
            #data.append(inq)

            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/>
            data.append(bd.strip())#去掉前后的空格

            datalist.append(data)

    #print(datalist)



    return datalist

#得到指定一个URL网页内容
def askURL(url):
    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 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.125 Safari/537.36"
    }
      ##用户代理，表示告诉豆瓣服务器，我们是什么类型的机器，浏览器（本质是告诉浏览器，我们可以接受什么水平的信息）
    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

#3.存储数据
def saveData(datalist,savepath):
    workbook = xlwt.Workbook(encoding='utf-8',style_compression=0)
    worksheet = workbook.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True)#cell_overwrite_ok是否被覆盖
    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','概括','相关信息')
    for i in range(0,8):
        worksheet.write(0,i,col[i])
    for i in range(0,250):

        print("第 %d 条"%i)
        data = datalist[i]

        for j in range(0,8):

         worksheet.write(i+1,j,data[j])
    workbook.save(savepath)



if __name__ == '__main__':##当前程序是主程序

    main()

注意项（举例）：

from bs4 import BeautifulSoup
import re

str1 ='''
<span class="title">肖申克的救赎</span>
<span class="title"> / The Shawshank Redemption</span>'''
s =re.compile('<span class="title">(.*?)</span>')#.*?表示匹配任意字符到下一个符合条件的字符
print(re.findall(s,str1))

str = 'aabab'
p = re.compile('a(.*?)b')
print(re.findall(p,str))

使用re.complie（）.findall方式筛选出来的是complie(XX()XX)里面()的内容，并且是将匹配到的所有内容 以 数组形式返回。所以上面的例子匹配到了肖申克的救赎，/ The Shawshank Redemption。
开始不理解.?，以为应该只返回一个值，这里是匹配到了所有的值，比如aabab 这里a（.?）b,能匹配到a，‘’ ，所以返回了两个值。