python爬虫——爬取豆瓣top250电影信息

获取豆瓣top250电影信息，包括电影海报链接、详情链接、中/外文名、评分、评价人数、一句话评价等

环境

系统 ：macOS Catalina -V 10.15.4IDE ：Vscode -V 1.46.0语言 ：Python -V 3.7.7库 ：urllib、bs4、re、ssl、xlwt

非自带包都是使用如下语句安装：

pip install package-name

实现步骤

URL：/top250

对网页进行简单分析发现，一共有10个页，每个页面有25部电影的信息。

各页面的URL构成为

/top250？start=i（i for i in range(10))

构造源码请求函数

伪装请求头，获取目标网页源码网页获取

import urllib.request, urllib.error import ssldef askURL(url):'''用于请求网页源码'''#部分网站会根据请求头中的User-Agent内容进行判断，如果是爬虫则限制访问，所以要对请求头进行伪装，模拟浏览器访问，根据需要还可添加其它头部信息#User-Agent信息可以用Chrome打开网页，按F12打开Web检查器，在Network栏目下的Headers中可找到head = {}head["User-Agent"] = "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36"request = urllib.request.Request(url, headers = head)html = ""#用于接收网页的源码信息context = ssl._create_unverified_context() '''当使用urllib打开https的链接时，会检验一次ssl证书.而当目标网站使用的是自签名证书时，就会抛出urllib2.URLError的错误.解决办法一：ssl._create_default_https_context = ssl._create_unverified_context 全局取消证书验证解决办法二：创建未验证的上下文，在url中传入上下文参数 context = ssl._create_unverified_context()'''try:response = urllib.request.urlopen(request, context= context)html = response.read().decode()#read()函数获取到的是bytes类型的数据，decode()用于将其解码except urllib.error.HTTPError as e:if hasattr(e, "code"): #hasattr()判断一个对象是否含有某种属性print(e.code)#code 为http状态码if hasattr(e, "reason"):print(e.reason)#错误原因return html

获取目标数据

使用bs4和re库提取网页源码中的目标信息

可以看到想要获取的信息在一个div class="item标签中

from bs4 import BeautifulSoup #网页解析，获取数据import re #正则模块，提取信息#创建正则表达式，获取对应信息#影片详情连接findLink = pile(r'<a href="(.*?)">')#影片图片连接findimgSrc = pile(r'src="(.*?)"', re.S) #re.S 忽略换行符#影片片名findTitle = pile(r'<span class="title">(.*?)</span>')#影片评分findRating = pile(r'<span class="rating_num" property="v:average">(.*?)</span>')#评价人数findJudge = pile(r'<span>(\d*)人评价</span>')#一句话评价findInq = pile(r'<span class="inq">(.*?)</span>')#影片相关内容findBd = pile(r'<p class="">(.*?)</p>', re.S)def getData(baseurl):datalist = []for i in range(10):url = baseurl + str(i*25)html = askURL(url) #保存获取到的网页源码#解析数据#BeautifulSoup4将复杂文档转换成一个复杂的树形结构，便于获取指定内容，需指定目标数据和和解析器soup = BeautifulSoup(html, "html.parser")for item in soup.find_all("div", class_ = "item"): #查找符合要求的所有字符串形成列表，类似于css选择器# print(item) #测试查看电影item信息是否获取到data = [] #保存一部电影的全部信息item = str(item) #item是bs4.element.Tag类型的，需要转换成字符串类型，便于使用正则提取信息link = re.findall(findLink, item)[0]#根据findLink匹配item中的字段，并返回匹配信息，如r'<a href="(.*?)">'中(.*?)就是所匹配到的信息，r表示忽略转义等特殊字符作为普通字符处理data.append(link)imgSrc = re.findall(findimgSrc, item)[0]data.append(imgSrc)title = re.findall(findTitle, item)if len(title) >= 2:data.append(title[0])data.append(re.sub(r'\xa0', '', title[1].replace("/", "")))else:data.append(title[0])data.append(' ')rating = re.findall(findRating, item)[0]data.append(rating)judge = re.findall(findJudge, item)[0]data.append(judge) inq = re.findall(findInq, item)if len(inq) != 0:inq = re.sub(r'\xa0', '', inq[0])data.append(inq.replace("。", ""))else:data.append(' ')bd = re.findall(findBd, item)[0]bd = re.sub('...<br(.*?)>', ' ', bd)bd = re.sub(r'/', ' ', bd)bd = re.sub(r'\xa0', ' ', bd)data.append(re.sub(r'\n ', '', bd).strip())# print(data, end='')datalist.append(data)return datalist

保存数据到excel

使用xlwt模块创建操作excel

import xlwtdef savaData(data, path):workbook = xlwt.Workbook(encoding="utf-8") #实例化一个工作区，相当于构建一个框架worksheet = workbook.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True) #创建工作表，cell_overwrite_ok=True 表示可以对单元格进行重设值col = ('电影详情连接', '图片链接', '影片中文名', '影片外文名', '评分', '评价数', '概况', '相关信息')for i in range(8):worksheet.write(0, i, col[i]) #第一个参数表示行，第二个参数为列，第三个参数为要写入的内容，行列都是从0开始for i in range(250):for j in range(8):worksheet.write(i+1, j, data[i][j]) #写入数据print('第%d条'%i)workbook.save(path) #保存

测试

baseurl = '/top250?start='datalist = getData(baseurl)savePath = '豆瓣电影Top250.xls'savaData(datalist, savePath)

成功获取数据