使用Python爬取豆瓣电影详细数据
# -*- codeing = utf-8 -*-
# @Time : 23:35
# @Auther : wyt
# @File : spider.py
# @Software : PyCharm
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
def main():
baseurl="https://movie.douban.com/top250?start="
#爬取网页
datalist = getData(baseurl)
savepath = ".\\豆瓣电影Top250.xls"
#3、保存数据
# saveData(savepath)
#askURL("https://movie.douban.com/top250?start=")
#影片详情的链接规则
findlink = re.compile(r'<a href="(.*?)">') #创建正则表达式对象,表示规则
#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>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#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)
# 1、爬取网页
def getData(baseurl):
datalist=[]
for i in range(0,1): #调用获取页面信息的函数,10次,25个 #修改数量
url = baseurl + str(i*25)
html = askURL(url) #保存获取到的网页源码
# 2、逐一进行解析数据
soup = BeautifulSoup(html,"html.parser")
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) #测试,查看电影item全部信息
data = [] #保存一部电影的所有信息
item = str(item)
#影片详情的链接
link = re.findall(findlink,item)[0] #re库用来查找指定的字符串,
data.append(link)
imgs = re.findall(findImgSrc,item)[0]
data.append(imgs)
titles = re.findall(findTitle,item)
if(len(titles)==2):
ctitle = titles[0]
data.append(ctitle)
otitle = titles[1].replace("/","") #去掉无关符号
data.append(otitle)
else:
data.append(titles[0])
data.append(' ') #外文名没有的时候,留空 这一步是为了以后导入数据库、exls表的时候行列数据不规范
reting = re.findall(findRating,item)[0]
data.append(reting)
judgeNum = re.findall(findJudge,item)[0]
data.append(judgeNum)
inq = re.findall(findInq,item)
if len(inq)!=0:
inq = inq[0].replace("。","") #去掉句号
data.append(inq)
else:
data.append(" ")
bd = re.findall(findBd,item)[0]
bd = re.sub(r'<br(\s+)?/>(\s+)?'," ",bd) # 去掉<br/>
bd = re.sub(r'/'," ",bd) # 替换 /
c = bd.strip() # 去掉前后的空格
data.append(c)
datalist.append(data) # 把处理好的一部电影信息放入datalist
print(datalist)
return datalist
#得到一个指定url的网页内容:
def askURL(url):
head = { #摸你浏览器头部信息,向豆瓣服务器发送消息
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3776.400 QQBrowser/10.6.4212.400"
}
#用户代理:告诉豆瓣服务器,我们是什么类型的机器,本质上是告诉浏览器我们能接受什么水平的文件内容
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(savepath):
print("1")
if __name__ == "__main__": #当程序被调用执行时
#调用函数
main()
执行结果:
这是爬取了豆瓣电影第一页的前二十五个电影的详细内容,可以修改数量,在红色注释处,修改range中的数字改为(0,10),则可以爬取前250个电影的详细信息。
这段代码分别爬取了电影的详情链接,图片,片名,评分,评价人数,概况,影片相应内容共计七个属性并将他们逐一保存到列表中,然后将列表data保存到datalist中,最后输出了datalist。