（7）Python爬虫——爬取豆瓣电影Top250

妖狐艹你老母 2022-07-29 08:48 250阅读 0赞

利用python爬取豆瓣电影Top250的相关信息，包括电影详情链接,图片链接,影片中文名,影片外国名,评分,评价数,概况,导演,主演,年份,地区,类别这12项内容，然后将爬取的信息写入Excel表中。基本上爬取结果还是挺好的。具体代码如下：

#!/usr/bin/python
 #-*- coding: utf-8 -*-
 import sys
 reload(sys)
 sys.setdefaultencoding('utf8')
 from bs4 import BeautifulSoup
 import re
 import urllib2
 import xlwt
 
 #得到页面全部内容
 def askURL(url):
 request = urllib2.Request(url)#发送请求
 try:
 response = urllib2.urlopen(request)#取得响应
 html= response.read()#获取网页内容
 #print html
 except urllib2.URLError, e:
 if hasattr(e,"code"):
 print e.code
 if hasattr(e,"reason"):
 print e.reason
 return html
 
 #获取相关内容
 def getData(baseurl):
 findLink=re.compile(r'<a href="(.*?)">')#找到影片详情链接
 findImgSrc=re.compile(r'<img.*src="(.*jpg)"',re.S)#找到影片图片
 findTitle=re.compile(r'(.*)')#找到片名
 #找到评分
 findRating=re.compile(r'(.*)')
 #找到评价人数
 findJudge=re.compile(r'(\d*)人评价')
 #找到概况
 findInq=re.compile(r'(.*)')
 #找到影片相关内容：导演，主演，年份，地区，类别
 findBd=re.compile(r'(.*?)',re.S)
 #去掉无关内容
 remove=re.compile(r' |\n||\.*')
 datalist=[]
 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'):#找到每一个影片项
 data=[]
 item=str(item)#转换成字符串
 #print item
 link=re.findall(findLink,item)[0]
 data.append(link)#添加详情链接
 imgSrc=re.findall(findImgSrc,item)[0]
 data.append(imgSrc)#添加图片链接
 titles=re.findall(findTitle,item)
 #片名可能只有一个中文名，没有外国名
 if(len(titles)==2):
 ctitle=titles[0]
 data.append(ctitle)#添加中文片名
 otitle=titles[1].replace(" / ","")#去掉无关符号
 data.append(otitle)#添加外国片名
 else:
 data.append(titles[0])#添加中文片名
 data.append(' ')#留空
 rating=re.findall(findRating,item)[0]
 data.append(rating)#添加评分
 judgeNum=re.findall(findJudge,item)[0]
 data.append(judgeNum)#添加评论人数
 inq=re.findall(findInq,item)
 #可能没有概况
 if len(inq)!=0:
 inq=inq[0].replace("。","")#去掉句号
 data.append(inq)#添加概况
 else:
 data.append(' ')#留空
 bd=re.findall(findBd,item)[0]
 bd=re.sub(remove,"",bd)
 bd=re.sub(' '," ",bd)#去掉 
 bd=re.sub('/'," ",bd)#替换/
 #data.append(bd)
 words=bd.split(" ")
 for s in words:
 if len(s)!=0 and s!=' ':#去掉空白内容
 data.append(s)
 #主演有可能因为导演内容太长而没有
 if(len(data)!=12):
 data.insert(8,' ')#留空
 datalist.append(data)
 return datalist
 
 #将相关数据写入excel中
 def saveData(datalist,savepath):
 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','导演','主演','年份','地区','类别')
 for i in range(0,12):
 sheet.write(0,i,col[i])#列名
 for i in range(0,250):
 data=datalist[i]
 for j in range(0,12):
 sheet.write(i+1,j,data[j])#数据
 book.save(savepath)#保存
 
 def main():
 baseurl='https://movie.douban.com/top250?start='
 datalist=getData(baseurl)
 savapath=u'豆瓣电影Top250.xlsx'
 saveData(datalist,savapath)
 
 main()

Excel表部分内容如下：  
![这里写图片描述][20160318192203727]

[20160318192203727]: /images/20220728/a13d9e4c460845e7bcb2a0ec15e753a1.png