Python爬取豆瓣数据实现过程解析

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 = 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)

来源：https://www.cnblogs.com/yangxunkai/p/13832508.html