Python爬取豆瓣数据实现过程解析

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='https://www.haobala.com/bcjs/(.*?)' 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='https://www.haobala.com/bcjs/(.*?)' />’,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 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='https://www.haobala.com/bcjs/(.*?)' 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='https://www.haobala.com/bcjs/(.*?)' />’,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 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好吧啦网。