使用Python爬取豆瓣電影詳細資料

阿新 • • 發佈：2020-11-17

# -*- codeing = utf-8 -*-
# @Time :  23:35
# @Auther : wyt
# @File : spider.py
# @Software : PyCharm

from bs4 import BeautifulSoup #網頁解析，獲取資料
import re   #正則表示式，進行文字匹配
import urllib.request,urllib.error  #制定url，獲取網頁資料
import xlwt #進行Excel操作
import sqlite3  #進行SQLite資料庫操作


def main():
   baseurl="https://movie.douban.com/top250?start="
    #爬取網頁
   datalist = getData(baseurl)
   savepath = ".\\豆瓣電影Top250.xls"
   #3、儲存資料
   # saveData(savepath)
   #askURL("https://movie.douban.com/top250?start=")

#影片詳情的連結規則
findlink = re.compile(r'<a href="(.*?)">') #建立正則表示式物件，表示規則
#影片圖片
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)  #re.S 讓換行符包含在字元中
#影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片評分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#評價人數
findJudge= re.compile(r'<span>(\d*)人評價</span>')
#找到概況：
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)
# 1、爬取網頁
def getData(baseurl):
    datalist=[]
    for i in range(0,1):  #呼叫獲取頁面資訊的函式，10次，25個  #修改數量 

        url = baseurl + str(i*25)
        html = askURL(url)  #儲存獲取到的網頁原始碼
    # 2、逐一進行解析資料
    soup = BeautifulSoup(html,"html.parser")
    for item in soup.find_all("div",class_="item"): #查詢符合要求的字串，形成列表
        #print(item)  #測試，檢視電影item全部資訊
        data = []  #儲存一部電影的所有資訊
        item = str(item)
        #影片詳情的連結
        link = re.findall(findlink,item)[0]  #re庫用來查詢指定的字串，
        data.append(link)

        imgs = re.findall(findImgSrc,item)[0]
        data.append(imgs)

        titles = re.findall(findTitle,item)
        if(len(titles)==2):
            ctitle = titles[0]
            data.append(ctitle)
            otitle = titles[1].replace("/","") #去掉無關符號
            data.append(otitle)

        else:
            data.append(titles[0])
            data.append(' ')  #外文名沒有的時候，留空 這一步是為了以後匯入資料庫、exls表的時候行列資料不規範

        reting = re.findall(findRating,item)[0]
        data.append(reting)

        judgeNum = re.findall(findJudge,item)[0]
        data.append(judgeNum)

        inq = re.findall(findInq,item)
        if len(inq)!=0:
            inq = inq[0].replace("。","")  #去掉句號
            data.append(inq)
        else:
            data.append(" ")

        bd = re.findall(findBd,item)[0]
        bd = re.sub(r'<br(\s+)?/>(\s+)?'," ",bd)  # 去掉<br/>
        bd = re.sub(r'/'," ",bd)  # 替換 /
        c = bd.strip()  # 去掉前後的空格
        data.append(c)
        datalist.append(data)  # 把處理好的一部電影資訊放入datalist
    print(datalist)
    return datalist

#得到一個指定url的網頁內容：
def askURL(url):
    head =  {      #摸你瀏覽器頭部資訊，向豆瓣伺服器傳送訊息
        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3776.400 QQBrowser/10.6.4212.400"
    }
    #使用者代理：告訴豆瓣伺服器，我們是什麼型別的機器，本質上是告訴瀏覽器我們能接受什麼水平的檔案內容
    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





def saveData(savepath):

    print("1")

if __name__ == "__main__":  #當程式被呼叫執行時
    #呼叫函式
    main()

執行結果：

這是爬取了豆瓣電影第一頁的前二十五個電影的詳細內容，可以修改數量，在紅色註釋處，修改range中的數字改為（0,10），則可以爬取前250個電影的詳細資訊。

這段程式碼分別爬取了電影的詳情連結，圖片，片名，評分，評價人數，概況，影片相應內容共計七個屬性並將他們逐一儲存到列表中，然後將列表data儲存到datalist中，最後輸出了datalist。