爬虫实例九 豆瓣电影详情信息

from bs4 import BeautifulSoup #网页解析，获取数据
import re #正则提取
import urllib.request,urllib.error  #制定url，获取网页数据
import xlwt  #进行excel操作
import time

def main():
    baseurl = "https://movie.douban.com/top250?start="

    #1、爬取网页
    datalist=getData(baseurl)

    savepath="豆瓣电影Top250.xls"
    #3、保存数据
    saveData(datalist,savepath)
    print(time.time() - start)#结束时间

#2、解析数据
#影片详情页链接
findLink = re.compile(r'<a href="(.*?)">') #创建正则表达式对象，表示规则（字符串的模式）
#影片图片链接
findImgSrc = re.compile(r'<img.*src="(.*?)" class="">',re.S)#re.S 忽略换行符
#影片名字链接
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#影片评价人数
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)
start = time.time()#开始时间
#爬取页面
def getData(baseurl):
    datalist=[]
    for i in range(0,10): #调取页面信息的函数10次
        url=baseurl+str(i*25)
        html=askURL(url) #保存获取的源代码

        #逐一解析数据
        soup=BeautifulSoup(html,"html.parser")
        for item in soup.find_all('div',class_="item"):
            # print(item)#查看item全部信息
            data=[]#存放电影信息
            item=str(item)
            #影片中的超链接
            link = re.findall(findLink,item)[0] #re表示用来通过正则表达式查找指定的字符串
            data.append(link)
            imgSrc=re.findall(findImgSrc,item[0])#添加图片
            data.append(imgSrc)#添加图片
            titles = re.findall(findTitle,item)#片名可能只有有个中文名，没有外国名
            if(len(titles)==2):
                ctitle = titles[0]
                data.append(ctitle)
                otitle = titles[1].replace("/","")#去掉无关的符号
                data.append(otitle)#添加外国名
            else:
                data.append(titles[0])
                data.append(' ')#外国名字留空

            rating = re.findall(findRating,item)[0]
            data.append(rating) #添加评分

            judeNum = re.findall(findJudge,item)[0]
            data.append(judeNum) #添加评价人数

            inq = re.findall(findInq,item)
            if len(inq) !=0:
                inq = inq[0].replace("。","")#去掉句号
                data.append(inq)            #添加概述
            else:
                data.append(" ")            #留空

            bd = re.findall(findBd,item)[0]
            bd = re.sub('<br(\s+)?>(\s+)?'," ",bd) #去掉<br/>
            bd = re.sub('/'," ",bd) #替换/
            data.append(bd.split())    #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

#保存数据

#得到一个指定的url的网页内容
def askURL(url):
    head={
        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36"
    }
    request=urllib.request.Request(url,headers=head)
    html=""
    try:
        response=urllib.request.urlopen(request)
        html=response.read().decode("utf-8")
    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)
    return html

def saveData(datalist,savepath):
    book=xlwt.Workbook(encoding="utf-8",style_compression=0)#创建woekbook对象
    sheet = book.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True)#创建
    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","详细信息")
    for i in range(0,8):
        sheet.write(0,i,col[i])#列名
        for i in range(0,250):
            print("数据正在加载"+"第%d条"%i+"请稍等！！！")
            data=datalist[i]
            for j in range(0,8):
                sheet.write(i+1,j,data[j])#数据
            book.save(savepath)#保存
if __name__ == "__main__":
    main()
    print("数据爬取成功！")