zoukankan      html  css  js  c++  java
  • 爬豆瓣保存到Excel

    import re
    import urllib.request, urllib.error
    import xlwt
    from bs4 import BeautifulSoup

    baseurl = "https://movie.douban.com/top250?start="

    # 创建电影链接正则表达式对象,表示规则(字符串的模式):以<a href="开头 + 一组(.*?) + 以">结尾
    findLink = re.compile(r'<a href="(.*?)">')
    # 电影图片链接规则:以<img开头 + 中间匹配多个.* + 以src="开头 + 一组(.*?)", 忽略换行符re.S'
    findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)
    # 电影片名规则:以<span class="title"> + (.*?) + </span>
    findTitle = re.compile(r'<span class="title">(.*?)</span>')
    # 电影评分规则:<span class="rating_num" property="v:average"> + (.*?) + </span>
    findRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
    # 评价人数规则版一:<span> + (.*?) + </span>
    # findJudge = re.compile(r'<span>(.*?)</span>')
    # 评价人数规则版二:<span> + (.*?) + </span>
    findJudge = re.compile(r'<span>(d*)人评价</span>')
    # 概况规则:<span class="inq"> + (.*?) + </span>
    findInq = re.compile(r'<span class="inq">(.*?)</span>')
    # 相关内容规则:<p class=""> + (.*?) + </p>
    findBd = re.compile(r'<p class="">(.*?)</p>', re.S)


    def main():
    # 获取网页数据
    datalist = getData(baseurl)
    # 保存数据
    savapath = "豆瓣电影Top250.xls"
    saveData(datalist, savapath)


    def getData(baseurl):
    # 定义获取网页数据功能
    datalist = []
    for i in range(0, 10):
    url = baseurl + str(i * 25)
    html = askURL(url)
    # 逐一解析数据
    soup = BeautifulSoup(html, "html.parser")
    # 查找符合要求标签是div同时属性class_是item的内容
    for item in soup.find_all("div", class_="item"):
    # 保存一部电影
    data = []
    # 电影的所有信息转字符串
    item = str(item)
    # 电影详情链接
    link = re.findall(findLink, item)[0]
    data.append(link)
    # 图片
    img = re.findall(findImgSrc, item)[0]
    data.append(img)
    # 标题
    title = re.findall(findTitle, item)
    # 标题判断中英文
    if (len(title) == 2):
    ctitle = title[0]
    data.append(ctitle)
    otitle = title[1].replace("/", "")
    data.append(otitle)
    else:
    data.append(title[0])
    # 无英文名时用空格填充
    data.append(" ")
    # 评分数
    rating = re.findall(findRating, item)[0]
    data.append(rating)
    # 评价数
    judge = re.findall(findJudge, item)[0]
    data.append(judge)
    # 概况
    inq = re.findall(findInq, item)
    # 概况判断是否空
    if len(inq) != 0:
    inq = inq[0].replace("。", "")
    data.append(inq)
    else:
    data.append(" ")
    # 相关内容
    bd = re.findall(findBd, item)[0]
    # 相关内容替换规则:'<br + 中间包含多个部分(s+)? + /> + 不止(s+)?',替换成" ",来着bd
    bd = re.sub('<br(s+)?/>(s+)?', ' ', bd)
    bd = re.sub('/', ' ', bd)
    data.append(bd.strip())
    datalist.append(data)
    return datalist


    def saveData(datalist, savapath):
    print("开始保存")
    # 创建工作表对象样式压缩效果
    book = xlwt.Workbook(encoding="utf-8", style_compression=0)
    # 创建工作表每个单元格是最新
    sheet = book.add_sheet("豆瓣电影Top250", cell_overwrite_ok=True)
    # 定义列名
    col = ("电影详情链接", "图片链接", "影片中文名", "影片英文名", "评分", "评价数", "概况", "相关内容")
    for i in range(0, 8):
    # 添加列名
    sheet.write(0, i, col[i])
    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(savapath)


    # 指定url内容
    def askURL(baseurl):
    # 伪造请求头
    headers = {
    "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36"}
    # 封装对象
    request = urllib.request.Request(baseurl, headers=headers)
    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


    if __name__ == '__main__':
    main()
    print("保存成功")

  • 相关阅读:
    外观模式
    装饰器模式
    eclipse在运行main方法时在console里面报内存溢出的错误解决办法
    windows7安装node
    Eclipse-低版本离线集成svn步骤
    IDEA-JetBrains产品永久破解
    Java对字符串使用MD5进行加密(亲测有效)
    windows下的java项目打jar分别编写在windows与linux下运行的脚本( 本人亲测可用!)
    在linux中运行main方法所在的java类(亲测有效!!!)
    linux常用命令
  • 原文地址:https://www.cnblogs.com/zhang-da/p/14305703.html
Copyright © 2011-2022 走看看