Python爬虫——爬取豆瓣电影Top250代码实例

利用python爬取豆瓣电影Top250的相关信息，包括电影详情链接,图片链接,影片中文名,影片外国名,评分,评价数,概况,导演,主演,年份,地区,类别这12项内容，然后将爬取的信息写入Excel表中。基本上爬取结果还是挺好的。具体代码如下：

#!/usr/bin/python
#-*- coding: utf-8 -*-
import sys
reload(sys)
sys.setdefaultencoding('utf8')
from bs4 import BeautifulSoup
import re
import urllib2
import xlwt

#得到页面全部内容
def askURL(url):
 request = urllib2.Request(url)#发送请求
 try:
   response = urllib2.urlopen(request)#取得响应
   html= response.read()#获取网页内容
   #print html
 except urllib2.URLError, e:
   if hasattr(e,"code"):
     print e.code
   if hasattr(e,"reason"):
     print e.reason
 return html

#获取相关内容
def getData(baseurl):
 findLink=re.compile(r'<a href="(.*?)" rel="external nofollow" >')#找到影片详情链接
 findImgSrc=re.compile(r'<img.*src="(.*jpg)"',re.S)#找到影片图片
 findTitle=re.compile(r'<span class="title">(.*)</span>')#找到片名
 #找到评分
 findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
 #找到评价人数
 findJudge=re.compile(r'<span>(\d*)人评价</span>')
 #找到概况
 findInq=re.compile(r'<span class="inq">(.*)</span>')
 #找到影片相关内容：导演，主演，年份，地区，类别
 findBd=re.compile(r'<p class="">(.*?)</p>',re.S)
 #去掉无关内容
 remove=re.compile(r'              |\n|</br>|\.*')
 datalist=[]
 for i in range(0,10):
   url=baseurl+str(i*25)
   html=askURL(url)
   soup = BeautifulSoup(html, "html.parser")
   for item in soup.find_all('div',class_='item'):#找到每一个影片项
     data=[]
     item=str(item)#转换成字符串
     #print item
     link=re.findall(findLink,item)[0]
     data.append(link)#添加详情链接
     imgSrc=re.findall(findImgSrc,item)[0]
     data.append(imgSrc)#添加图片链接
     titles=re.findall(findTitle,item)
     #片名可能只有一个中文名，没有外国名
     if(len(titles)==2):
       ctitle=titles[0]
       data.append(ctitle)#添加中文片名
       otitle=titles[1].replace(" / ","")#去掉无关符号
       data.append(otitle)#添加外国片名
     else:
       data.append(titles[0])#添加中文片名
       data.append(' ')#留空
     rating=re.findall(findRating,item)[0]
     data.append(rating)#添加评分
     judgeNum=re.findall(findJudge,item)[0]
     data.append(judgeNum)#添加评论人数
     inq=re.findall(findInq,item)
     #可能没有概况
     if len(inq)!=0:
       inq=inq[0].replace("。","")#去掉句号
       data.append(inq)#添加概况
     else:
       data.append(' ')#留空
     bd=re.findall(findBd,item)[0]
     bd=re.sub(remove,"",bd)
     bd=re.sub('<br>'," ",bd)#去掉<br>
     bd=re.sub('/'," ",bd)#替换/
     #data.append(bd)
     words=bd.split(" ")
     for s in words:
       if len(s)!=0 and s!=' ':#去掉空白内容
          data.append(s)
     #主演有可能因为导演内容太长而没有
     if(len(data)!=12):
       data.insert(8,' ')#留空
     datalist.append(data)
 return datalist

#将相关数据写入excel中
def saveData(datalist,savepath):
 book=xlwt.Workbook(encoding='utf-8',style_compression=0)
 sheet=book.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True)
 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','概况','导演','主演','年份','地区','类别')
 for i in range(0,12):
   sheet.write(0,i,col[i])#列名
 for i in range(0,250):
   data=datalist[i]
   for j in range(0,12):
     sheet.write(i+1,j,data[j])#数据
 book.save(savepath)#保存

def main():
 baseurl='https://movie.douban.com/top250?start='
 datalist=getData(baseurl)
 savapath=u'豆瓣电影Top250.xlsx'
 saveData(datalist,savapath)

main()

Excel表部分内容如下：

以上所述是小编给大家介绍的Python爬取豆瓣电影Top250实例详解整合网站的支持！

来源：https://blog.csdn.net/Fighting_No1/article/details/50926008