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）
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)
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 =<mark style="color:transparent">本文来源gaodaimacom搞#^代%!码网@</mark> 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
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：Python爬取豆瓣数据实现过程解析
转载请注明原文链接：Python爬取豆瓣数据实现过程解析
