Python爬取豆瓣資料實現過程解析
阿新 • • 發佈:2020-10-29
程式碼如下
from bs4 import BeautifulSoup #網頁解析,獲取資料 import sys #正則表示式,進行文字匹配 import re import urllib.request,urllib.error #指定url,獲取網頁資料 import xlwt #使用表格 import sqlite3 import lxml
以上是引用的庫,引用庫的方法很簡單,直接上圖:
上面第一步算有了,下面分模組來,步驟算第二步來:
這個放在開頭
def main(): baseurl ="https://movie.douban.com/top250?start=" datalist = getData(baseurl) savepath=('douban.xls') saveData(datalist,savepath)
這個放在末尾
if __name__ == '__main__':
main()
不難看出這是主函式,裡面的話是對子函式的呼叫,下面是第三個步驟:子函式的程式碼
對網頁正則表達提取(放在主函式的後面就可以)
findLink = re.compile(r'<a href="(.*?)" rel="external nofollow" rel="external nofollow" >') #建立正則表示式物件,表示規則(字串的模式)
#影片圖片
findImg = re.compile(r'<img.*src="(.*?)" width="100"/>',re.S)#re.S取消換行符#影片片面
findtitle= re.compile(r'<span class="title">(.*?)</span>')
#影片評分
fileRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
#找到評價的人數
findJudge = re.compile(r'<span>(\d*)人評價</span>')
#找到概識
findInq =re.compile(r'<span class="inq">(.*?)</span>')#找到影片的相關內容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)
爬資料核心函式
def getData(baseurl): datalist=[] for i in range(0,10):#呼叫獲取頁面的函式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庫用來通過正則表示式查詢指定的字串 data.append(link) titles =re.findall(findtitle,item) if(len(titles)==2): ctitle=titles[0].replace('\xa0',"") data.append(ctitle)#新增中文名 otitle = titles[1].replace("\xa0/\xa0Perfume:","") data.append(otitle)#新增外國名 else: data.append(titles[0]) data.append(' ')#外國名字留空 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()) #去掉前後的空格 datalist.append(data) #把處理好的一部電影資訊放入datalist return datalist
獲取指定網頁內容
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" } #告訴豆瓣我們是瀏覽器我們可以接受什麼水平的內容 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
將爬下來的資料儲存到表格中
ef saveData(datalist,savepath): print("儲存中。。。") book = xlwt.Workbook(encoding="utf-8",style_compression=0) # 建立workbook物件 sheet = book.add_sheet('douban',cell_overwrite_ok=True) #建立工作表 cell_overwrite_ok表示直接覆蓋 col = ("電影詳情連結","影片中文網","影片外國名","圖片連結","評分","評價數","概況","相關資訊") for i in range(0,8): sheet.write(0,i,col[i]) for i in range(0,250): print("第%d條" %(i+1)) data = datalist[i] for j in range(0,8): sheet.write(i+1,j,data[j]) book.save(savepath)
以上就是整個爬資料的整個程式,這僅僅是一個非常簡單的爬取,如果想要爬更難的網頁需要實時分析
整個程式程式碼
from bs4 import BeautifulSoup #網頁解析,獲取資料 import sys #正則表示式,進行文字匹配 import re import urllib.request,urllib.error #指定url,獲取網頁資料 import xlwt #使用表格 import sqlite3 import lxml def main(): baseurl ="https://movie.douban.com/top250?start=" datalist = getData(baseurl) savepath=('douban.xls') saveData(datalist,savepath) #影片播放連結 findLink = re.compile(r'<a href="(.*?)" rel="external nofollow" rel="external nofollow" >') #建立正則表示式物件,表示規則(字串的模式) #影片圖片 findImg = re.compile(r'<img.*src="(.*?)" width="100"/>',re.S)#re.S取消換行符 #影片片面 findtitle= re.compile(r'<span class="title">(.*?)</span>') #影片評分 fileRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>') #找到評價的人數 findJudge = re.compile(r'<span>(\d*)人評價</span>') #找到概識 findInq =re.compile(r'<span class="inq">(.*?)</span>') #找到影片的相關內容 findBd = re.compile(r'<p class="">(.*?)</p>',re.S) def getData(baseurl): datalist=[] for i in range(0,bd) data.append(bd.strip()) #去掉前後的空格 datalist.append(data) #把處理好的一部電影資訊放入datalist return datalist #得到指定一個url的網頁內容 def askURl(url): head = { "User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) Apple" +"WebKit / 537.36(KHTML,"reason"): print(e.reason) return html def saveData(datalist,data[j]) book.save(savepath) if __name__ == '__main__': main()
以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支援我們。