实验四 python综合 实验报告

爬虫项目

 

爬取豆瓣评分电影Top250的爬虫
爬取的就是这个网站：https://movie.douban.com/top250

 

爬取的内容是：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，相关信息。

 

大体流程分三步走：

1. 爬取网页
2.逐一解析数据
3. 保存网页

先分析流程1，爬取网页，baseurl 就是我们要爬虫的网页网址，往下走，调用了 getData（baseurl) ,
我们来看 getData方法

for i in range(0, 10): # 调用获取页面信息的函数，10次
url = baseurl + str(i * 25)

这段大家可能看不懂，其实是这样的：
因为电影评分Top250，每个页面只显示25个，所以我们需要访问页面10次，25*10=250。

baseurl = "https://movie.douban.com/top250?start="

我们只要在baseurl后面加上数字就会跳到相应页面，比如i=1时

然后又调用了askURL来请求网页，这个方法是请求网页的主体方法

def askURL(url):
　　head = { # 模拟浏览器头部信息，向豆瓣服务器发送消息
　　"User-Agent": "Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122 Safari / 537.36"
　　}
　　# 用户代理，表示告诉豆瓣服务器，我们是什么类型的机器、浏览器（本质上是告诉浏览器，我们可以接收什么水平的文件内容）

　　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

逐一解析数据

解析数据这里我们用到了 BeautifulSoup（靓汤） 这个库，这个库是几乎是做爬虫必备的库，无论你是什么写法。

下面就开始查找符合我们要求的数据，用BeautifulSoup的方法以及 re 库的
正则表达式去匹配，

findLink = re.compile(r'<a href="(.*?)">') # 创建正则表达式对象，标售规则 影片详情链接的规则
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)
findTitle = re.compile(r'<span class="title">(.*)</span>')
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findJudge = re.compile(r'<span>(\d*)人评价</span>')
findInq = re.compile(r'<span class="inq">(.*)</span>')
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)

匹配到符合我们要求的数据，然后存进 dataList ， 所以 dataList 里就存放着我们需要的数据了。

 

保存数据

保存数据可以选择保存到 xls 表， 需要（xlwt库支持）

保存到 xls 的主体方法是 saveData

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","影片外国名","评分","评价数","概况","相关信息")
　　for i in range(0,8):
　　　　sheet.write(0,i,col[i]) #列名
　　for i in range(0,250):
　　　　# print("第%d条" %(i+1)) #输出语句，用来测试
　　　　data = datalist[i]
　　　　for j in range(0,8):
　　　　　　sheet.write(i+1,j,data[j]) #数据
　　book.save(savepath) #保存

 

完整代码如下：

# -*- codeing = utf-8 -*-

from bs4 import BeautifulSoup  # 网页解析，获取数据

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

findLink = re.compile(r'<a href="(.*?)">')  # 创建正则表达式对象，标售规则   影片详情链接的规则

findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)

findTitle = re.compile(r'<span class="title">(.*)</span>')

findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')

findJudge = re.compile(r'<span>(\d*)人评价</span>')

findInq = re.compile(r'<span class="inq">(.*)</span>')

findBd = re.compile(r'<p class="">(.*?)</p>', re.S)

def main():

    baseurl = "https://movie.douban.com/top250?start="  #要爬取的网页链接

    # 1.爬取网页

    datalist = getData(baseurl)

    savepath = "豆瓣电影Top250.xls"    #当前目录新建XLS，存储进去

    # dbpath = "movie.db"              #当前目录新建数据库，存储进去

    # 3.保存数据

    saveData(datalist,savepath)      #2种存储方式可以只选择一种

    # saveData2DB(datalist,dbpath)

# 爬取网页

def getData(baseurl):

    datalist = []  #用来存储爬取的网页信息

    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"):  # 查找符合要求的字符串

            data = []  # 保存一部电影所有信息

            item = str(item)

            link = re.findall(findLink, item)[0]  # 通过正则表达式查找

            data.append(link)

            imgSrc = re.findall(findImgSrc, item)[0]

            data.append(imgSrc)

            titles = re.findall(findTitle, item)

            if (len(titles) == 2):

                ctitle = titles[0]

                data.append(ctitle)

                otitle = titles[1].replace("/", "")  #消除转义字符

                data.append(otitle)

            else:

                data.append(titles[0])

                data.append(' ')

            rating = re.findall(findRating, 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)

            bd = re.sub('/', "", bd)

            data.append(bd.strip())

            datalist.append(data)

    return datalist

# 得到指定一个URL的网页内容

def askURL(url):

    head = {  # 模拟浏览器头部信息，向豆瓣服务器发送消息

        "User-Agent": "Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122  Safari / 537.36"

    }

    # 用户代理，表示告诉豆瓣服务器，我们是什么类型的机器、浏览器（本质上是告诉浏览器，我们可以接收什么水平的文件内容）

    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

# 保存数据到表格

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","影片外国名","评分","评价数","概况","相关信息")

    for i in range(0,8):

        sheet.write(0,i,col[i])  #列名

    for i in range(0,250):

        # print("第%d条" %(i+1))       #输出语句，用来测试

        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__":  # 当程序执行时

    # 调用函数

     main()

    # init_db("movietest.db")

     print("爬取完毕！")

实验结果截图如下：