python爬取豆瓣电影Top250（附完整源代码）

初学爬虫，学习一下三方库的使用以及简单静态网页的分析。就跟着视频写了一个爬取豆瓣Top250排行榜的爬虫。

网页分析

我个人感觉写爬虫最重要的就是分析网页，找到网页的规律，找到自己需要内容所在的地方，细化到他在哪个div里面，在哪个class里面，在哪个a标签里面。

 

 从上面的图中可以看出，有很多信息。包括电影名、英文名、简介、评价、评价人数、相关信息

 

 

 

 当我们打开控制台，可以看到电影的链接、图片的链接。

可以看到电影名在一个span里面、概况在一个p标签里面、评价在一个div里面的一个span中等等。

找到我们需要信息的位置，其实每一个电影项的信息都是在相同的标签里面，每一页都25个项，一共有10页，每一页的链接后缀https://movie.douban.com/top250?start=25只需要更改start后面的数字，我们可以用一个循环来解决爬取多页。

 

爬取流程

一、引入第三方库

我们需要访问目的网址，进行正则分析，操作excel、保存到数据库等等都需要用到三方库。

from bs4 import BeautifulSoup  #网页解析import re    #正则表表达式文字匹配import urllib.request,urllib.error  #指定url，获取网页数据import xlwt  #进行excel操作import sqlite3  #进行SQLite数据库操作import pymysql.cursors  #连接mysql数据库

二、访问目标网址

我们通过request库进行访问目标网页，并返回网页的全部源代码以字符串的形式保存。

访问的时候我们需要查看网页是通过什么方式返回的请求。

 

 我们发现是get请求，只要url和请求头就可以。如果是post请求，需要封装data数据。

def askURL(url):    head = {   #伪装请求头，模拟浏览器访问       "User-Agent":" Mozilla / 5.0(Linux;Android6.0;Nexus5 Build / MRA58N) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 99.0.4844.51Mobile Safari / 537.36"    }    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  #返回爬到所有的html数据

 

三、正则匹配数据

我们获取到全部网页源代码后还需要匹配到我们自己需要的数据，在标签中把数据提取出来。

正则表达式：

findlink = re.compile(r'a href="(.*?)">')   #电影链接findImageSrc = re.compile(r'<img.*src="(.*?)"',re.S)   #re.S让换行符包含着其中  #图片链接findTitle = re.compile(r'<span >(.*)</span>')      #标题findRating = re.compile(r'<span  property="v:average">(.*)</span>')   #评分findJudge = re.compile(r'<span>(\d*)人评价</span>')    #人数findInq = re.compile(r'<span >(.*)</span>')  #概况findBd = re.compile(r'<p >(.*?)</p>',re.S)  #相关信息

提取匹配数据并保存到列表中。

def getdata(baseurl):    datalist = []  #2 解析数据    for i in range(0,10):        url = baseurl + str(i*25)        html = askURL(url)        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]            data.append(link)            image = re.findall(findImageSrc,item)[0]            data.append(image)            title = re.findall(findTitle,item)            if(len(title )==2):                ctitle = title[0]                data.append(ctitle)                otitle = title[1].replace("/","")                data.append(otitle.strip())            else:                data.append(title[0])                data.append(" ")            rating = re.findall(findRating,item)[0]     #添加评分            data.append(rating)            judgeNum = re.findall(findJudge,item)[0]    #添加评价人数            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)            bd = re.sub('/'," ",bd)            bd = re.sub('\xa0', " ", bd)            bd = re.sub('\n', " ", bd)            data.append(bd.strip())            datalist.append(data)    print(datalist)    return datalist

 

四、保存数据到excel中

def saveData(datalist,savepath):    print("save...")    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","评价数","概况","相关信息")      #创建列    for i in range(0,8):        sheet.write(0,i,col[i])    for i in range(0,250):           #保存数据        print("第%d条"%(i+1))        data = datalist[i]        for j in range(0,8):            sheet.write(i+1,j,data[j])    book.save(savepath)

 

五、保存到MYSQL中（附加，可以不用）

def conn(datalist):    conn = pymysql.connect(host='localhost',user='root',password='1767737316.',database='douban',cursorclass=pymysql.cursors.DictCursor)    cursor = conn.cursor()    for i in range(0,250):        list = datalist[i]        data1 = tuple(list)        sql = 'insert into top250(电影详情链接,图片链接,影片中文名,影片外国名,评分,评价数,概况,相关信息) values(%s,%s,%s,%s,%s,%s,%s,%s)'        # (2)准备数据        # (3)操作        try:            cursor.execute(sql, data1)            conn.commit()        except Exception as e:            print('插入数据失败', e)            conn.rollback()  # 回滚        # 关闭游标        # cursor.close()        # 关闭连接        # conn.close()

 

六、程序入口

if __name__ == "__main__":    main()    print("爬取完毕！")    print("保存到数据库！")

 

完整源代码

# -*- coding = utf-8 -*-# @Time : 2022/4/24 16:08# @Author :王敬博# @File : spider.py# @Software: PyCharmfrom bs4 import BeautifulSoup  #网页解析import re    #正则表表达式文字匹配import urllib.request,urllib.error  #指定url，获取网页数据import xlwt  #进行excel操作import sqlite3  #进行SQLite数据库操作import pymysql.cursorsfindlink = re.compile(r'a href="(.*?)">')   #电影链接findImageSrc = re.compile(r'<img.*src="(.*?)"',re.S)   #re.S让换行符包含着其中  #图片链接findTitle = re.compile(r'<span >(.*)</span>')      #标题findRating = re.compile(r'<span  property="v:average">(.*)</span>')   #评分findJudge = re.compile(r'<span>(\d*)人评价</span>')    #人数findInq = re.compile(r'<span >(.*)</span>')  #概况findBd = re.compile(r'<p >(.*?)</p>',re.S)  #相关信息def main():    baseurl = "https://movie.douban.com/top250?start="    datalist = getdata(baseurl)    print(datalist)    #1 爬取网页    savepath = ".\\豆瓣电影Top250.xls"    saveData(datalist,savepath)    conn(datalist)def askURL(url):    head = {       "User-Agent":" Mozilla / 5.0(Linux;Android6.0;Nexus5 Build / MRA58N) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 99.0.4844.51Mobile Safari / 537.36"    }    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#爬取网页def getdata(baseurl):    datalist = []  #2 解析数据    for i in range(0,10):        url = baseurl + str(i*25)        html = askURL(url)        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]            data.append(link)            image = re.findall(findImageSrc,item)[0]            data.append(image)            title = re.findall(findTitle,item)            if(len(title )==2):                ctitle = title[0]                data.append(ctitle)                otitle = title[1].replace("/","")                data.append(otitle.strip())            else:                data.append(title[0])                data.append(" ")            rating = re.findall(findRating,item)[0]     #添加评分            data.append(rating)            judgeNum = re.findall(findJudge,item)[0]    #添加评价人数            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)            bd = re.sub('/'," ",bd)            bd = re.sub('\xa0', " ", bd)            bd = re.sub('\n', " ", bd)            data.append(bd.strip())            datalist.append(data)    print(datalist)    return datalist #3 保存数据def saveData(datalist,savepath):    print("save...")    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","评价数","概况","相关信息")    for i in range(0,8):        sheet.write(0,i,col[i])    for i in range(0,250):        print("第%d条"%(i+1))        data = datalist[i]        for j in range(0,8):            sheet.write(i+1,j,data[j])    book.save(savepath)def conn(datalist):    conn = pymysql.connect(host='localhost',user='root',password='1767737316.',database='douban',cursorclass=pymysql.cursors.DictCursor)    cursor = conn.cursor()    for i in range(0,250):        list = datalist[i]        data1 = tuple(list)        sql = 'insert into top250(电影详情链接,图片链接,影片中文名,影片外国名,评分,评价数,概况,相关信息) values(%s,%s,%s,%s,%s,%s,%s,%s)'        # (2)准备数据        # (3)操作        try:            cursor.execute(sql, data1)            conn.commit()        except Exception as e:            print('插入数据失败', e)            conn.rollback()  # 回滚        # 关闭游标        # cursor.close()        # 关闭连接        # conn.close()if __name__ == "__main__":    main()    print("爬取完毕！")    print("保存到数据库！")

 

效果截图

 

 

 

 

 

到这里就结束了，如果有问题可以问我，如果觉得对你有帮助的话可以点个赞哦！