项目概述

在豆瓣电影Top250http://movie.douban.com/top250?start=上爬取每部电影的详情，图片链接，影片中文名，外国名，评分，评价数，概况，相关信息

结果如下：

完整代码

from bs4 import BeautifulSoup
import re
import urllib.request,urllib.error
import xlwt
def main():
    baseurl="http://movie.douban.com/top250?start="
    #1.爬取网页
    datalist = getData(baseurl)
    #2.解析数据
    savepath=".\\豆瓣电影Top250.xls"
    #3.保存数据
    saveData(datalist,savepath)
#影片详情链接的规则
findLink = re.compile(r'<a href="(.*?)">') #创建正则表达式，表示规则（字符串的模式）
#影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)
#影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#找到评价人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
#找到概况
findInq = re.compile(r'<span class="inq">(.*)</span>')
#找到影片的相关内容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)
#爬取网页
def getData(baseurl):
    datalist=[]
    for i in range(0,10):            #调用获取页面信息的函数10次
        url = baseurl + str(i*25)
        html = askURL(url)    #保存获取到的网页源码
        #逐一解析数据
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all('div',class_="item"):   #查找符合要求的字符串
             #print(item)   #测试：查看item电影全部信息
             data = []    #保存一部电影的所有信息
             item = str(item)


             #影片详情的链接
             link = re.findall(findLink,item)[0]   #re库用来通过正则表达式查找指定的字符串
             data.append(link)                     #添加链接
             imgSrc = re.findall(findImgSrc,item)[0]
             data.append(imgSrc)                   #添加图片
             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)
                 otitle = titles[1].replace("/","") #去掉无关的符号
                 data.append(otitle)                #添加外国名
             else:
                data.append(titles[0])
                data.append('')             #外国名字留空

             rating = re.findall(findRating,item)[0]
             data.append(rating)     #添加评分
             judgeNum = re.findall(findJudge,item)[0]
             data.append(judgeNum)      #添加评价人数
             inq = re.findall(findInq,item)
             if len(inq) != 0:
                inq = inq[0].replace("。","")    #去掉句号
                data.append(inq)                    #添加概述
             else:
                data.append(" ")                #留空
             bd = re.findall(findBd,item)[0]
             bd = re.sub('<br(\s+)?/>(\s+)?',"",bd)  #去掉<br/>
             bd = re.sub('/',"",bd)    #替换/
             data.append(bd.strip())     #去掉前后的空格

             datalist.append(data)   #把处理好的一部信息放入datalist
    return datalist
#得到指定一个URL的网页内容
def askURL(url):
    head = {            #模拟浏览器信息，向豆瓣服务器发送信息
        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Safari/537.36 Edg/92.0.902.73"
    }#用户代理，告诉豆瓣我们是浏览器，本质上是伪装，告诉服务器我们可以接受什么样的文件
    request = urllib.request.Request(url,headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)
    return html
#保存数据
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","相关信息")
    for i in range(0,8):
        sheet.write(0,i,col[i])  #列名
    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)
if __name__ == "__main__":
    #调用函数
    main()
    print("爬取完毕！")