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。