#https://movie.douban.com/top250
#-*-coding:utf-8-*-


import sys
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##製作URL，獲取網頁資料
import xlwt ##進行excel操作
import sqlite3 ##進行sql操作

def main():
    baseurl  = 'https://movie.douban.com/top250?start='

    #1.爬取網頁
    datalist = getData(baseurl)
    # 2.解析資料
    #3.儲存資料
    savepath = ".\\豆瓣電影Top250.xls"
    saveData(datalist,savepath)
   # askURL("https://movie.douban.com/top250?start=0")
#獲取影片詳情連結規則
findLink = re.compile(r'<a href="(.*?)">') #建立正則表示式物件，表示規則（字串的模式），complie適用大量重複的比對
#<img alt="肖申克的救贖" class="" src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p480747492.jpg" width="100"/>
#獲取影片圖片的連結
findImgSrc =re.compile(r'<img .*src="(.*?)"',re.S) #re.S 讓換行符包含在字元中

#h影片片名
findTile = re.compile(r'<span class="title">(.*?)</span>')
#影片評分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
#獲取評價人數
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)


#爬取網頁
def getData(baseurl):
    datalist = []
    for i in range(0,250,25):#這裡可以設定步進，即range(0,250,25)，下面就不用乘25

        url = baseurl+str(i)#str(i*25)
        html = askURL(url)#儲存獲取到的網頁原始碼
        # 2.逐一解析資料
        soup = BeautifulSoup(html,"html.parser")
        # 查詢符合要求的字串，形成列表
        for  item in soup.find_all('div',class_='item'): # 查詢class是item，且屬於div的 ，注意這裡的class有下劃線

            #print(item)#測試：檢視電影item全部資訊

            data = []#儲存一部電影的全部資訊
            item = str(item)


            #獲取影片詳情連結
            link = re.findall(findLink,item)[0]#re庫用來通過正則表示式查詢指定的字串
            #print(link)

            data.append(link)
            #獲取圖片資訊
            imgSrc = re.findall(findImgSrc,item)[0]
            #print(imgSrc)
            data.append(imgSrc)


            titles = re.findall(findTile,item)#片名可能只有一箇中文名，也可能既有外文
            if(len(titles)==2):
                #新增中文名
                ctitle = titles[0]
                data.append(ctitle)
                #新增外國名
                otitle = titles[1].replace('/','')#去掉無關的符號，比如/
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append(' ')#留空，給外國名留空
            #新增評分
            rating = re.findall(findRating,item)[0]
            data.append(rating)
            #print(rating)
            #評價人數
            judgeNum = re.findall(findJudge,item)[0]
            data.append(judgeNum)
            inq = re.findall(findInq,item)
            #獲得概況
            #data.append(inq)

            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/>
            data.append(bd.strip())#去掉前後的空格

            datalist.append(data)

    #print(datalist)



    return datalist

#得到指定一個URL網頁內容
def askURL(url):
    head = { ##模擬瀏覽器頭部資訊，向豆瓣伺服器傳送訊息
        "user-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.125 Safari/537.36"
    }
      ##使用者代理，表示告訴豆瓣伺服器，我們是什麼型別的機器，瀏覽器（本質是告訴瀏覽器，我們可以接受什麼水平的資訊）
    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

#3.儲存資料
def saveData(datalist,savepath):
    workbook = xlwt.Workbook(encoding='utf-8',style_compression=0)
    worksheet = workbook.add_sheet('豆瓣電影Top250',cell_overwrite_ok=True)#cell_overwrite_ok是否被覆蓋
    col = ('電影詳情連結','圖片連結','影片中文名','影片外國名','評分','評價數','概括','相關資訊')
    for i in range(0,8):
        worksheet.write(0,i,col[i])
    for i in range(0,250):

        print("第 %d 條"%i)
        data = datalist[i]

        for j in range(0,8):

         worksheet.write(i+1,j,data[j])
    workbook.save(savepath)



if __name__ == '__main__':##當前程式是主程式

    main()

 

注意項（舉例）：

from bs4 import BeautifulSoup
import re

str1 ='''
<span class="title">肖申克的救贖</span>
<span class="title"> / The Shawshank Redemption</span>'''
s =re.compile('<span class="title">(.*?)</span>')#.*?表示匹配任意字元到下一個符合條件的字元
print(re.findall(s,str1))

str = 'aabab'
p = re.compile('a(.*?)b')
print(re.findall(p,str))
 

使用re.complie（）.findall方式篩選出來的是complie(XX()XX)裡面()的內容，並且是將匹配到的所有內容 以 陣列形式返回。所以上面的例子匹配到了肖申克的救贖，/ The Shawshank Redemption。
開始不理解.?，以為應該只返回一個值，這裡是匹配到了所有的值，比如aabab 這裡a（.?）b,能匹配到a，‘’ ，所以返回了兩個值。