Spider爬虫个人练习
# -*- codeing = utf-8 -*-
# @Time : 2020/4/4 21:14
# @Author : LIU J
# @File : spider.py
# @Software: PyCharm
import bs4 # 网页解析，获取数据
from bs4 import BeautifulSoup # 网页解析，获取数据（其实只用到了BeautifulSoup)
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 # 操作SQLite数据库
import urllib.request
import urllib.parse
'''
def main(a):
print("hello",a)
if __name__ == "__main__": #当程序执行时，第一个执行的函数 (保证了程序的入口）
main(1) #调用函数
'''
# 流程：
# 1.爬取网页
# 2.逐一解析数据
# 3.保存数据
def main():
baseurl = "https://movie.douban.com/top250?start="
datalist = getData(baseurl)
savepath = ".\\豆瓣电影Top250.xls"
saveData(datalist,savepath)
# 1.爬取网页
# datalist = getData(baseurl)
# savepath = ".\\豆瓣电影Top250.xls" # 给定保存路径， "." 表示保存到本地文件夹，第一个 "\" 表示转义字符， 如果不想用转译字符在等号后面加 r 也可以
# 3.保存数据
# saveData(savepath)
# askURL("https://movie.douban.com/top250?start=")
#创建正则表达式规则
#"."表示一个字符 ".*"表示0次到多次，多个字符 ".*?"表示0次或一次
#影片详情链接的规则
findLink = re.compile(r'') #创建一个全局的正则表达式对象，表示规则（字符串的模式）
#影片图片
findImgSrc = re.compile(r'![]()
',re.S) #re.S 表示忽略换行符，让换行符包含在字符中
#影片的片名
findTilte = re.compile(r'(.*)')
#影片评分
findRating = re.compile(r'')
#找到评价人数
findJudge = re.compile((r'(\d*)人评价')) #\d表示整数，\d*表示多个整数组成的数
#找到概况
findInq =re.compile(r'(.*)')
#找到影片的相关内容
findBd = re.compile(r'(.*?)
',re.S)
# 1.爬取网页
def getData(baseurl):
datalist = []
# 2.逐一获取数据
for i in range(0,10): #调用获取页面信息的函数，10次
url = baseurl + str(i*25)
html = askURL(url) #保存获取到的网页源码
# 2.逐一解析数据
soup = BeautifulSoup(html,"html.parser")
for item in soup.find_all('div', class_="item"):
#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,并追加进data
link = re.findall(findLink,item)[0] #通过正则表达式re库查找指定的字符串 #[0]是因为这是一个字符串我们需要拿到str中的第一个值
data.append(link) #添加链接
# 影片详图片的链接,并追加进data
imgSrc = re.findall(findImgSrc,item)[0]
data.append(imgSrc) #添加图片
# 标题
titles = re.findall(findTilte,item) #片名可能只有一个中文名，没有外文名
if len(titles)==2:
ctitle = titles[0]
data.append(ctitle) #添加中文名
otitle = titles[1].replace("/","") #replace("/","")表示把"/"替换成空值"",去掉无关的符号
data.append(otitle) #添加外文名
else:
data.append(titles[0])
data.append(" ") #没有外文名，留空
# 打分
rating = re.findall(findRating,item)[0]
data.append(rating) #添加评分
judgeNum = re.findall(findJudge,item)[0]
data.append(judgeNum) #添加评价人数
inq = re.findall(findInq,item)
if len(inq)!=0:
inq = inq[0].replace("。","")
data.append(inq) #添加概述
else:
data.append("") #没有概述，留空
#bd信息
bd = re.findall(findBd,item)[0]
bd = re.sub('(\s+)?'," ",bd) #去掉
bd = re.sub('/'," ",bd) #替换/
data.append(bd.strip()) #去掉前后的空格
datalist.append(data) #把处理好的一部电影的信息放入datalist
return datalist
# 得到一个指定URL的网页信息
def askURL(url):
head = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.162 Safari/537.36 Edg/80.0.361.109"}
# 模拟浏览器头部信息，向豆瓣服务器发送消息
# 用户代理， 表示高速服务器，我们什么类型的机器，浏览器（本质上是高速浏览器，我们可以接受什么水平的信息）
request = urllib.request.Request(url=url, headers=head)
html = "" # 用来存储返回信息的字符串
try:
response = urllib.request.urlopen(request,timeout = 50)
html = response.read().decode("utf-8")
#print(html)
return html
except urllib.error.URLError as e:
if hasattr(e, "code"): # 打印错误原代码，404 418什么的
print(e, code)
if hasattr(e, "reason"): # 打印错误原原因，time out什么的
print(e.reason)
# 3.保存数据
def saveData(datalist,savepath):
print("save...")
book = xlwt.Workbook(encoding="utf-8",style_compression=0) # 创建workbook对象
sheet = book.add_sheet("豆瓣电影Top250",cell_overwrite_ok=True) # 创建工作表
col = ("电影详情链接","图片链接","影片中文名","影片外文名","评分","概况","相关信息")
for i in range(len(col)):
sheet.write(0,i,col[i]) #列名
for i in range(0,250):
print("第%d条"%(i+1))
data = datalist[i]
for j in range(len(col)):
sheet.write(i+1,j,data[j]) #数据
book.save("豆瓣电影Top250.xls") #保存
print("爬取完毕")
if __name__ == "__main__":
main()
作者：Bobby?
