python 爬取豆瓣网页的示例

import urllib.request

def askURL(url):
    head = {
        "User-Agent": "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 88.0.4324.182Safari / 537.36"
    }# 模拟浏览器的登录
    request = urllib.request.Request(url,headers=head)
    #将网页的url和头部信息封装至一起
    response = urllib.request.urlopen(request)
    #获取网页的html代码
    html = response.read().decode("utf-8")
    #将获取的数据转化为utf-8格式
    #print(html)    #此步可以实验一下能否成功爬取网页的html代码
    return html

import re
from bs4 import BeautifulSoup

def getData(baseurl):
    datalist = []   #建立一个存放解析出的数据的元组
    for i in range(0,10):
        url = baseurl + str(i*25)
        # 通过以下两张截图，我们可以发现豆瓣将每25部电影分为一页，共分成了10页、
        # 而其url的差别仅在最后加了25，故通过该规律，可将所有10张网页的url全部获取
        html = askURL(url)
        soup = BeautifulSoup(html,"html.parser")
        #通过beautifulsoup模块自带的html代码解析器进行解析
        #并将解析器解析出的数据放至soup中

findlink = re.compile(r'<a href="(.*?)" rel="external nofollow" >')  # r表示不受转义字符的影响
#该代码通过正则表达式搜寻到所有关于影片链接的数据，以下代码类似
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S) #让换行符包含在字符中
findtitle = re.compile(r'<span class="title">(.*)</span>')
findscore = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findjudge = re.compile(r'<span>(\d*)人评价</span>')
findinq = re.compile(r'<span class="inq">(.*)</span>')
findbd = re.compile(r'<p class="">(.*?)</p>',re.S)

        for item in soup.find_all("div",class_="item"):
        #提取所有class为“item”的div模块，并通过for循环一步步处理
            data = []
            item = str(item) #将item转化为字符串类型
            link = re.findall(findlink,item)[0]
            #通过影片详情链接的正则表达式抽取数据
            data.append(link)
            #存放至data列表中
            ImgSrc = re.findall(findImgSrc,item)[0]
            data.append(ImgSrc)
            title = re.findall(findtitle,item)
            if len(title)==2:
                #如果影片有多个名称，则分别进行存储
                ctitle = title[0]
                data.append(ctitle)
                otitle = title[1].replace("/","")
                data.append(otitle)
            else:
                data.append(title[0])
                data.append(" ")
            score = re.findall(findscore,item)
            data.append(score)
            judge = re.findall(findjudge,item)
            data.append(judge)
            inq = re.findall(findinq,item)
            if len(inq)!=0:
                inq = inq[0].replace("。","")
                data.append(inq)
            else:
                data.append("")
                #若有影片详情，则输出；若没有，则输出为空
            bd = re.findall(findbd,item)[0]
            bd = re.sub('<br(\s+)?/>(\s+)?'," ",bd)
            bd = re.sub('/'," ",bd)
            data.append(bd.strip())   # 去掉前后空格

            datalist.append(data)
    print(datalist)
    return datalist

import xlwt

def savepath(datalist):
    workbook = xlwt.Workbook(encoding="utf-8")
 #创建以utf-8格式编码的一个workbook对象，该对象最后能保存为excel表格
    worksheet = workbook.add_sheet("sheetwdy")
 #创建工作表“sheetwdy”
    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")
 #创建一个元组
    for i in range(0, 8):
        worksheet.write(0, i, col[i])  
 # 将我们刚定义的元组中的信息写入excel表的第一行
    for i in range(0, 250):
        print("第%d条" % (i + 1))
        data = datalist[i]
        for j in range(0, 8):
            worksheet.write(i + 1, j, data[j])
 #将解析出的数据通过for循环一条条导入excel表中
    workbook.save("豆瓣250.xls")
 #将该excel表进行保存