关于python:关于python爬取网页

42次阅读

共计 2642 个字符,预计需要花费 7 分钟才能阅读完成。

import urllib.request
from bs4 import BeautifulSoup
import xlwt
import re
def main():

#   爬取网页
baseurl = 'https://movie.douban.com/top250?start='
datalist = getData(baseurl)
savepath = '豆瓣电影 Top250.xls'
#   保留数据
saveData(datalist,savepath)
# askURL("https://movie.douban.com/top250?start=1")

影片详情的规定

findLink = re.compile(r”) #创立从正则表达式,示意规定
findImgSrc = re.compile(r'<img.src=”(.?)”‘, re.S) #让换行符匹配到字符中

影片的片名

finTitle = re.compile(r'<span class=”title”>(.*)</span>’)

影片的评分

findReating = re.compile(r'<span class=”rating_num” property=”v:average”>(.*)</span>’)

找到评估人数

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

找到详情

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

找到影片的相干内容

findBb = re.compile(r'<p class=””>(.*?)</p>’, re.S)#re.S 漠视换行符
第二局部:爬取网页。
def getData(baseurl):

datalist = []
for i in range(0, 10):
    url = baseurl + str(i*25)
    html = askURL(url)    #保留获取到的网页源码
    #对网页进行解析
    soup = BeautifulSoup(html, 'html.parser')
    for item in soup.find_all('div', class_="item"):  #查找符合要求的字符串 造成列表
        #print(item)  #测试查看电影信息
        data = []
        item = str(item)
        link = re.findall(findLink, item)[0]  #re 库用来查找指定的字符串
        data.append(link)
        imgSrc = re.findall(findImgSrc, item)[0]
        data.append(imgSrc) #增加图片
        titles = re.findall(finTitle, item)         #
        if (len(titles) == 2):
            ctitle = titles[0]      #增加中文名
            data.append(ctitle)
            otitle = titles[1].replace("/", "")   #replace("/","")去掉无关的符号
            data.append(otitle)     #增加英文名
        else:
            data.append(titles[0])
            data.append(' ')# 外国名字留空
        rating = [外汇跟单](https://www.gendan5.com/)re.findall(findReating, item)[0] #增加评分
        data.append(rating)
        judgeNum = re.findall(findJudge,item) #评估人数
        data.append(judgeNum)
        inq = re.findall(findInq, item)  #增加概述
        if len(inq) != 0:
            inq = inq[0].replace(".", "")  #去掉句号
            data.append(inq)
        else:
            data.append(" ")    #留空
        bd = re.findall(findBb,item)[0]
        bd = re.sub('<br(\s+)?/>(\s+)?',' ', bd)  #去掉 br  前面这个 bd 示意对 bd 进行操作
        bd = re.sub('/', ' ', bd)   #替换 /
        data.append(bd.strip())  #去掉前后的空格 strip()
        datalist.append(data)   #把解决好的一部电影放入 datalist 当中
return datalist

第三局部:失去一个指定的 url 信息。

失去指定的一个 url 网页信息

def askURL(url):

head = {"User-Agent": "Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.141 Mobile Safari/537.36"

}

request = urllib.request.Request(url,headers=head)    #  get 申请不须要其余的的,而 post 申请须要 一个 method 办法
html = ""
try:
    response = urllib.request.urlopen(request)
    html = response.read().decode('utf-8')
    # print(html)
except Exception as e:
    if hasattr(e,'code'):
        print(e.code)
    if hasattr(e,'reason'):
        print(e.reason)
return  html

第四局部:保留数据

3: 保留数据

def saveData(datalist,savepath):

book = xlwt.Workbook(encoding="utf-8", style_compression=0)
sheet = book.add_sheet('豆瓣电影 Top250', cell_overwrite_ok=True)
col = ('电影详情链接', '图片链接', '影片中文名', '影片外国名', '评分', '评估数', '详情', '相干信息')
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)
    data = datalist[i]
    for j in range(0,8):
        sheet.write(i+1,j,data[j])
book.save(savepath) #保留

if name == ‘__main__’:

main()
print("爬取结束")

正文完
 0