Python爬取豆瓣数据实现过程解析

时间:2021-05-22

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 reimport urllib.request,urllib.error #指定url,获取网页数据import xlwt #使用表格import sqlite3import 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)

以上就是整个爬数据的整个程序,这仅仅是一个非常简单的爬取,如果想要爬更难的网页需要实时分析

整个程序代码

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 reimport urllib.request,urllib.error #指定url,获取网页数据import xlwt #使用表格import sqlite3import lxml def main(): baseurl ="https://movie.douban.com/top250?start=" datalist = getData(baseurl) savepath=('douban.xls') saveData(datalist,savepath)#影片播放链接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) 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 #得到指定一个url的网页内容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 def 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) if __name__ == '__main__': main()

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。

声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。

相关文章