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

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

#影片詳情連結的規則
findLink = re.compile(r'<a href="(.*?)">')     #建立正則表示式物件，表示規則（字串的模式）
#影片圖片連結的規則
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)  #re.S 讓換行符包含在字元中
#影片的片名
findTitle = re.compile(r'
 
<span class="title">(.*)</span>')
#影片評分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#找到評價人數
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(0,10):   #呼叫獲取頁面資訊的函式，10次
        url = baseurl + str(i*25)
        html = askURL(url)  #儲存獲取到的網頁原始碼 返回值的儲存

        # 2.逐一解析資料
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all('div',class_="item"):
            # 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庫用來通過正則表示式查詢指定的字串
            data.append(link)                       #新增連結
            imgSrc = re.findall(findImgSrc,item)[0]
            data.append(imgSrc)                     #新增圖片
            titles = re.findall(findTitle,item)     #片名可能只有一箇中文名，沒有外國名
            if(len(titles) == 2):
                ctitle = titles[0]
                data.append(ctitle)                 #新增中文名
                otitle = titles[1].replace("/","")  #去掉無關的符號，替換為空
                data.append(otitle)                 #新增外文名
            else:
                data.append(titles[0])
                data.append(' ')                    #外文名沒有則留空，防止被下一列內容佔掉
            rating = re.findall(findRating,item)[0]
            data.append(rating)                     #新增評分
            judgeNum = re.findall(findJudge,item)[0]
            data.append(judgeNum)                   #新增評價人數
            inq = re.findall(findInq,item)
            if len(inq) != 0:
                inq = inq[0].replace("。","")        #去掉中文句號
                data.append(inq)                        #新增概述
            else:
                data.append(" ")                    #如果沒有概述，則留空佔位
            bd = re.findall(findBd,item)[0]
            bd = re.sub('<br(\s+)?/>(\s+)?'," ",bd) #去掉<br/>
            bd = re.sub('/'," ",bd)                 #替換/
            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
    print(datalist)
    return datalist

#得到指定一個URL的網頁內容
def askURL(url):
    head = {    #模擬瀏覽器頭部資訊
        "User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWe"
                        "bKit / 537.36(KHTML, likeGecko) Chrome / 78."
                        "0.3904.108Safari / 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（本質上是告訴瀏覽器，我們可以接收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

#3.儲存資料
def savaData(datalist,savepath):
    print("saving...")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)  # 建立workbook物件
    sheet = book.add_sheet('豆瓣電影Top250',cell_overwrite_ok=True)  # 建立工作表
    col = ("電影詳情連結","圖片連結","影片中文名","影片外文名","評分","評價數","概況","相關資訊")
    for i in range(0,8):
        sheet.write(0,i,col[i]) #列名
    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])  #資料
    book.save(savepath)     #儲存

if __name__ == "__main__":
    main()
    print("爬取完畢")