快捷導(dǎo)航

Python爬取豆瓣數(shù)據(jù)實(shí)現(xiàn)過(guò)程解析

更新時(shí)間：2020年10月27日 11:13:25 作者：阿西莫多

這篇文章主要介紹了Python爬取豆瓣數(shù)據(jù)實(shí)現(xiàn)過(guò)程解析,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下

代碼如下

from bs4 import BeautifulSoup #網(wǎng)頁(yè)解析，獲取數(shù)據(jù)
import sys #正則表達(dá)式，進(jìn)行文字匹配
import re
import urllib.request,urllib.error #指定url，獲取網(wǎng)頁(yè)數(shù)據(jù)
import xlwt #使用表格
import sqlite3
import lxml

以上是引用的庫(kù)，引用庫(kù)的方法很簡(jiǎn)單，直接上圖：

上面第一步算有了，下面分模塊來(lái)，步驟算第二步來(lái)：

這個(gè)放在開(kāi)頭

def main():
  baseurl ="https://movie.douban.com/top250?start="
  datalist = getData(baseurl)
  savepath=('douban.xls')
  saveData(datalist,savepath)

這個(gè)放在末尾

if __name__ == '__main__':
main()

不難看出這是主函數(shù)，里面的話(huà)是對(duì)子函數(shù)的調(diào)用，下面是第三個(gè)步驟：子函數(shù)的代碼

對(duì)網(wǎng)頁(yè)正則表達(dá)提取（放在主函數(shù)的后面就可以）

findLink = re.compile(r'<a href="(.*?)" rel="external nofollow" rel="external nofollow" >') #創(chuàng)建正則表達(dá)式對(duì)象，表示規(guī)則（字符串的模式）
#影片圖片
findImg = re.compile(r'<img.*src="(.*?)" width="100"/>',re.S)#re.S取消換行符
#影片片面
findtitle= re.compile(r'(.*?)')
#影片評(píng)分
fileRating = re.compile(r'(.*?)')
#找到評(píng)價(jià)的人數(shù)
findJudge = re.compile(r'(\d*)人評(píng)價(jià)')
#找到概識(shí)
findInq =re.compile(r'(.*?)')
#找到影片的相關(guān)內(nèi)容
findBd = re.compile(r'(.*?)',re.S)

爬數(shù)據(jù)核心函數(shù)

def getData(baseurl):
  datalist=[]
  for i in range(0,10):#調(diào)用獲取頁(yè)面的函數(shù)10次
    url = baseurl + str(i*25)
    html = askURl(url)
  #逐一解析
    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] #re庫(kù)用來(lái)通過(guò)正則表達(dá)式查找指定的字符串
      data.append(link)
      titles =re.findall(findtitle,item)
      if(len(titles)==2):
        ctitle=titles[0].replace('\xa0',"")
        data.append(ctitle)#添加中文名
        otitle = titles[1].replace("\xa0/\xa0Perfume:","")
        data.append(otitle)#添加外國(guó)名
      else:
        data.append(titles[0])
        data.append(' ')#外國(guó)名字留空
 
      imgSrc = re.findall(findImg,item)[0]
      data.append(imgSrc)
 
      rating=re.findall(fileRating,item)[0]
      data.append(rating)
 
      judgenum = re.findall(findJudge,item)[0]
      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) #去掉<br/>
      bd =re.sub('\xa0'," ",bd)
      data.append(bd.strip()) #去掉前后的空格
 
      datalist.append(data) #把處理好的一部電影信息放入datalist
 
  return datalist

獲取指定網(wǎng)頁(yè)內(nèi)容

def askURl(url):
 
  head = {
    "User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) Apple"
    +"WebKit / 537.36(KHTML, likeGecko) Chrome / 78.0.3904.108 Safari / 537.36"
  }
#告訴豆瓣我們是瀏覽器我們可以接受什么水平的內(nèi)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

將爬下來(lái)的數(shù)據(jù)保存到表格中

ef saveData(datalist,savepath):
  print("保存中。。。")
  book = xlwt.Workbook(encoding="utf-8",style_compression=0) # 創(chuàng)建workbook對(duì)象
  sheet = book.add_sheet('douban',cell_overwrite_ok=True) #創(chuàng)建工作表 cell_overwrite_ok表示直接覆蓋
  col = ("電影詳情鏈接","影片中文網(wǎng)","影片外國(guó)名","圖片鏈接","評(píng)分","評(píng)價(jià)數(shù)","概況","相關(guān)信息")
  for i in range(0,8):
    sheet.write(0,i,col[i])
  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])
 
  book.save(savepath)

以上就是整個(gè)爬數(shù)據(jù)的整個(gè)程序，這僅僅是一個(gè)非常簡(jiǎn)單的爬取，如果想要爬更難的網(wǎng)頁(yè)需要實(shí)時(shí)分析

整個(gè)程序代碼

from bs4 import BeautifulSoup #網(wǎng)頁(yè)解析，獲取數(shù)據(jù)
import sys #正則表達(dá)式，進(jìn)行文字匹配
import re
import urllib.request,urllib.error #指定url，獲取網(wǎng)頁(yè)數(shù)據(jù)
import xlwt #使用表格
import sqlite3
import lxml
 
def main():
  baseurl ="https://movie.douban.com/top250?start="
  datalist = getData(baseurl)
  savepath=('douban.xls')
  saveData(datalist,savepath)
#影片播放鏈接
findLink = re.compile(r'<a href="(.*?)" rel="external nofollow" rel="external nofollow" >') #創(chuàng)建正則表達(dá)式對(duì)象，表示規(guī)則（字符串的模式）
#影片圖片
findImg = re.compile(r'<img.*src="(.*?)" width="100"/>',re.S)#re.S取消換行符
#影片片面
findtitle= re.compile(r'<span class="title">(.*?)</span>')
#影片評(píng)分
fileRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
#找到評(píng)價(jià)的人數(shù)
findJudge = re.compile(r'<span>(\d*)人評(píng)價(jià)</span>')
#找到概識(shí)
findInq =re.compile(r'<span class="inq">(.*?)</span>')
#找到影片的相關(guān)內(nèi)容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)
 
def getData(baseurl):
  datalist=[]
  for i in range(0,10):#調(diào)用獲取頁(yè)面的函數(shù)10次
    url = baseurl + str(i*25)
    html = askURl(url)
  #逐一解析
    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] #re庫(kù)用來(lái)通過(guò)正則表達(dá)式查找指定的字符串
      data.append(link)
      titles =re.findall(findtitle,item)
      if(len(titles)==2):
        ctitle=titles[0].replace('\xa0',"")
        data.append(ctitle)#添加中文名
        otitle = titles[1].replace("\xa0/\xa0Perfume:","")
        data.append(otitle)#添加外國(guó)名
      else:
        data.append(titles[0])
        data.append(' ')#外國(guó)名字留空
 
      imgSrc = re.findall(findImg,item)[0]
      data.append(imgSrc)
 
      rating=re.findall(fileRating,item)[0]
      data.append(rating)
 
      judgenum = re.findall(findJudge,item)[0]
      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) #去掉<br/>
      bd =re.sub('\xa0'," ",bd)
      data.append(bd.strip()) #去掉前后的空格
 
      datalist.append(data) #把處理好的一部電影信息放入datalist
 
  return datalist
 
#得到指定一個(gè)url的網(wǎng)頁(yè)內(nèi)容
def askURl(url):
 
  head = {
    "User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) Apple"
    +"WebKit / 537.36(KHTML, likeGecko) Chrome / 78.0.3904.108 Safari / 537.36"
  }
#告訴豆瓣我們是瀏覽器我們可以接受什么水平的內(nèi)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
 
def saveData(datalist,savepath):
  print("保存中。。。")
  book = xlwt.Workbook(encoding="utf-8",style_compression=0) # 創(chuàng)建workbook對(duì)象
  sheet = book.add_sheet('douban',cell_overwrite_ok=True) #創(chuàng)建工作表 cell_overwrite_ok表示直接覆蓋
  col = ("電影詳情鏈接","影片中文網(wǎng)","影片外國(guó)名","圖片鏈接","評(píng)分","評(píng)價(jià)數(shù)","概況","相關(guān)信息")
  for i in range(0,8):
    sheet.write(0,i,col[i])
  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])
 
  book.save(savepath)
 
if __name__ == '__main__':
  main()

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: