zoukankan      html  css  js  c++  java

  • python实现对豆瓣数据的爬取

    from bs4 import  BeautifulSoup #网页解析，获取数据
import sys #正则表达式，进行文字匹配
import re
import urllib.request,urllib.error #指定url，获取网页数据
import xlwt #使用表格
import sqlite3
import lxml

    以上是引用的库，引用库的方法很简单，直接上图：

    上面第一步算有了，下面分模块来，步骤算第二步来：

    这个放在开头

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

    这个放在末尾

    1 if __name__ == '__main__':
2     main()

    不难看出这是主函数，里面的话是对子函数的调用，下面是第三个步骤：子函数的代码

    对网页正则表达提取（放在主函数的后面就可以）

     1 findLink = re.compile(r'<a href="(.*?)">')  #创建正则表达式对象，表示规则（字符串的模式）
 2 #影片图片
 3 findImg = re.compile(r'<img.*src="(.*?)" width="100"/>',re.S)#re.S取消换行符
 4 #影片片面
 5 findtitle= re.compile(r'<span class="title">(.*?)</span>')
 6 #影片评分
 7 fileRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
 8 #找到评价的人数
 9 findJudge = re.compile(r'<span>(d*)人评价</span>')
10 #找到概识
11 findInq =re.compile(r'<span class="inq">(.*?)</span>')
12 #找到影片的相关内容
13 findBd = re.compile(r'<p class="">(.*?)</p>',re.S)

    爬数据核心函数

     1 def getData(baseurl):
 2     datalist=[]
 3     for i in range(0,10):#调用获取页面的函数10次
 4         url = baseurl + str(i*25)
 5         html = askURl(url)
 6     #逐一解析
 7         soup = BeautifulSoup(html,"html.parser")
 8         for item in soup.find_all('div',class_="item"):
 9         #print(item)
10             data=[]
11             item = str(item)
12 
13             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
14             data.append(link)
15             titles =re.findall(findtitle,item)
16             if(len(titles)==2):
17                 ctitle=titles[0].replace('xa0',"")
18                 data.append(ctitle)#添加中文名
19                 otitle = titles[1].replace("xa0/xa0Perfume:","")
20                 data.append(otitle)#添加外国名
21             else:
22                 data.append(titles[0])
23                 data.append(' ')#外国名字留空
24 
25             imgSrc = re.findall(findImg,item)[0]
26             data.append(imgSrc)
27 
28             rating=re.findall(fileRating,item)[0]
29             data.append(rating)
30 
31             judgenum = re.findall(findJudge,item)[0]
32             data.append(judgenum)
33 
34             inq=re.findall(findInq,item)
35             if len(inq) != 0:
36                 inq =inq[0].replace(".","")
37                 data.append(inq)
38             else:
39                 data.append(" ")
40             bd=re.findall(findBd,item)[0]
41             bd=re.sub('<br(s+)?/>(s+)?'," ",bd) #去掉<br/>
42             bd =re.sub('xa0'," ",bd)
43             data.append(bd.strip())  #去掉前后的空格
44 
45             datalist.append(data)  #把处理好的一部电影信息放入datalist
46 
47     return datalist

    获取指定网页内容

     1 def askURl(url):
 2 
 3     head = {
 4         "User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) Apple"
 5         +"WebKit / 537.36(KHTML, likeGecko) Chrome / 78.0.3904.108 Safari / 537.36"
 6     }
 7 #告诉豆瓣我们是浏览器我们可以接受什么水平的内容
 8     request = urllib.request.Request(url,headers=head)
 9     html=""
10     try:
11         response = urllib.request.urlopen(request)
12         html = response.read().decode("utf-8")
13         # print(html)
14     except urllib.error.URLError as e:
15         if hasattr(e,"code"):
16             print(e.code)
17         if hasattr(e,"reason"):
18             print(e.reason)
19     return  html

    将爬下来的数据保存到表格中

     1 ef saveData(datalist,savepath):
 2     print("保存中。。。")
 3     book = xlwt.Workbook(encoding="utf-8",style_compression=0)  # 创建workbook对象
 4     sheet = book.add_sheet('douban',cell_overwrite_ok=True)  #创建工作表 cell_overwrite_ok表示直接覆盖
 5     col = ("电影详情链接","影片中文网","影片外国名","图片链接","评分","评价数","概况","相关信息")
 6     for i in range(0,8):
 7         sheet.write(0,i,col[i])
 8     for i in range(0,250):
 9         print("第%d条" %(i+1))
10         data = datalist[i]
11         for j in range(0,8):
12             sheet.write(i+1,j,data[j])
13 
14     book.save(savepath)

    以上就是整个爬数据的整个程序，这仅仅是一个非常简单的爬取，如果想要爬更难的网页需要实时分析

    整个程序代码

      1 from bs4 import  BeautifulSoup #网页解析，获取数据
  2 import sys #正则表达式，进行文字匹配
  3 import re
  4 import urllib.request,urllib.error #指定url，获取网页数据
  5 import xlwt #使用表格
  6 import sqlite3
  7 import lxml
  8 
  9 def main():
 10     baseurl ="https://movie.douban.com/top250?start="
 11     datalist = getData(baseurl)
 12     savepath=('douban.xls')
 13     saveData(datalist,savepath)
 14 #影片播放链接
 15 findLink = re.compile(r'<a href="(.*?)">')  #创建正则表达式对象，表示规则（字符串的模式）
 16 #影片图片
 17 findImg = re.compile(r'<img.*src="(.*?)" width="100"/>',re.S)#re.S取消换行符
 18 #影片片面
 19 findtitle= re.compile(r'<span class="title">(.*?)</span>')
 20 #影片评分
 21 fileRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
 22 #找到评价的人数
 23 findJudge = re.compile(r'<span>(d*)人评价</span>')
 24 #找到概识
 25 findInq =re.compile(r'<span class="inq">(.*?)</span>')
 26 #找到影片的相关内容
 27 findBd = re.compile(r'<p class="">(.*?)</p>',re.S)
 28 
 29 def getData(baseurl):
 30     datalist=[]
 31     for i in range(0,10):#调用获取页面的函数10次
 32         url = baseurl + str(i*25)
 33         html = askURl(url)
 34     #逐一解析
 35         soup = BeautifulSoup(html,"html.parser")
 36         for item in soup.find_all('div',class_="item"):
 37         #print(item)
 38             data=[]
 39             item = str(item)
 40 
 41             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
 42             data.append(link)
 43             titles =re.findall(findtitle,item)
 44             if(len(titles)==2):
 45                 ctitle=titles[0].replace('xa0',"")
 46                 data.append(ctitle)#添加中文名
 47                 otitle = titles[1].replace("xa0/xa0Perfume:","")
 48                 data.append(otitle)#添加外国名
 49             else:
 50                 data.append(titles[0])
 51                 data.append(' ')#外国名字留空
 52 
 53             imgSrc = re.findall(findImg,item)[0]
 54             data.append(imgSrc)
 55 
 56             rating=re.findall(fileRating,item)[0]
 57             data.append(rating)
 58 
 59             judgenum = re.findall(findJudge,item)[0]
 60             data.append(judgenum)
 61 
 62             inq=re.findall(findInq,item)
 63             if len(inq) != 0:
 64                 inq =inq[0].replace(".","")
 65                 data.append(inq)
 66             else:
 67                 data.append(" ")
 68             bd=re.findall(findBd,item)[0]
 69             bd=re.sub('<br(s+)?/>(s+)?'," ",bd) #去掉<br/>
 70             bd =re.sub('xa0'," ",bd)
 71             data.append(bd.strip())  #去掉前后的空格
 72 
 73             datalist.append(data)  #把处理好的一部电影信息放入datalist
 74 
 75     return datalist
 76 
 77 #得到指定一个url的网页内容
 78 def askURl(url):
 79 
 80     head = {
 81         "User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) Apple"
 82         +"WebKit / 537.36(KHTML, likeGecko) Chrome / 78.0.3904.108 Safari / 537.36"
 83     }
 84 #告诉豆瓣我们是浏览器我们可以接受什么水平的内容
 85     request = urllib.request.Request(url,headers=head)
 86     html=""
 87     try:
 88         response = urllib.request.urlopen(request)
 89         html = response.read().decode("utf-8")
 90         # print(html)
 91     except urllib.error.URLError as e:
 92         if hasattr(e,"code"):
 93             print(e.code)
 94         if hasattr(e,"reason"):
 95             print(e.reason)
 96     return  html
 97 
 98 def saveData(datalist,savepath):
 99     print("保存中。。。")
100     book = xlwt.Workbook(encoding="utf-8",style_compression=0)  # 创建workbook对象
101     sheet = book.add_sheet('douban',cell_overwrite_ok=True)  #创建工作表 cell_overwrite_ok表示直接覆盖
102     col = ("电影详情链接","影片中文网","影片外国名","图片链接","评分","评价数","概况","相关信息")
103     for i in range(0,8):
104         sheet.write(0,i,col[i])
105     for i in range(0,250):
106         print("第%d条" %(i+1))
107         data = datalist[i]
108         for j in range(0,8):
109             sheet.write(i+1,j,data[j])
110 
111     book.save(savepath)
112 
113 if __name__ == '__main__':
114     main()

    如果有什么问题，可以直接留言，再次欢迎光临！！！！
  • 相关阅读:
    [转载][开源框架推荐]VTDXML:世界上最快的XML处理框架
    iptables规则的查看、添加、删除和修改
    [转载]Linux大文件传输
    nginx+ php 安装配置实用
    wojilu框架代码分析之ActionProcessor.Process()
    数据库范式通俗理解，谈谈数据库设计
    我记录综合系统学习研究之用户管理二（wojilu.Web.Controller.Users MainController）
    我记录学习研究之前端开发二（js基于1.8版）
    我记录综合系统学习研究之开篇
    我记录综合系统学习研究之用户管理一（wojilu.Web.Controller.Users MainController）
  • 原文地址：https://www.cnblogs.com/yangxunkai/p/13832508.html
Copyright © 2011-2022 走看看