Python爬虫――爬取豆瓣电影Top250代码实例

#!/usr/bin/python#-*- coding: utf-8 -*-import sysreload(sys)sys.setdefaultencoding('utf8')from bs4 import BeautifulSoupimport reimport urllib2import xlwt#得到页面全部内容def askURL(url):  request = urllib2.Request(url)#发送请求  try:    response = urllib2.urlopen(request)#取得响应    html= response.read()#获取网页内容    #print html  except urllib2.URLError, e:    if hasattr(e,"code"):      print e.code    if hasattr(e,"reason"):      print e.reason  return html#获取相关内容def getData(baseurl):  findLink=re.compile(r'<a href="(.*?)" rel="external nofollow" >')#找到影片详情链接  findImgSrc=re.compile(r'<img.*src="(.*jpg)"',re.S)#找到影片图片  findTitle=re.compile(r'<span class="title">(.*)</span>')#找到片名  #找到评分  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>')  #找到影片相关内容：导演，主演，年份，地区，类别  findBd=re.compile(r'<p class="">(.*?)</p>',re.S)  #去掉无关内容  remove=re.compile(r'              |/n|</br>|/.*')  datalist=[]  for i in range(0,10):    url=baseurl+str(i*25)    html=askURL(url)    soup = BeautifulSoup(html, "html.parser")    for item in soup.find_all('div',class_='item'):#找到每一个影片项      data=[]      item=str(item)#转换成字符串      #print item      link=re.findall(findLink,item)[0]      data.append(link)#添加详情链接      imgSrc=re.findall(findImgSrc,item)[0]      data.append(imgSrc)#添加图片链接      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)#添加中文片名        otitle=titles[1].replace(" / ","")#去掉无关符号        data.append(otitle)#添加外国片名      else:        data.append(titles[0])#添加中文片名        data.append(' ')#留空      rating=re.findall(findRating,item)[0]      data.append(rating)#添加评分      judgeNum=re.findall(findJudge,item)[0]      data.append(judgeNum)#添加评论人数      inq=re.findall(findInq,item)      #可能没有概况      if len(inq)!=0:        inq=inq[0].replace("。","")#去掉句号        data.append(inq)#添加概况      else:        data.append(' ')#留空      bd=re.findall(findBd,item)[0]      bd=re.sub(remove,"",bd)      bd=re.sub('<br>'," ",bd)#去掉<br>      bd=re.sub('/'," ",bd)#替换/      #data.append(bd)      words=bd.split(" ")      for s in words:        if len(s)!=0 and s!=' ':#去掉空白内容           data.append(s)      #主演有可能因为导演内容太长而没有      if(len(data)!=12):        data.insert(8,' ')#留空      datalist.append(data)  return datalist#将相关数据写入excel中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','导演','主演','年份','地区','类别')  for i in range(0,12):    sheet.write(0,i,col[i])#列名  for i in range(0,250):    data=datalist[i]    for j in range(0,12):      sheet.write(i+1,j,data[j])#数据  book.save(savepath)#保存def main():  baseurl='https://movie.douban.com/top250?start='  datalist=getData(baseurl)  savapath=u'豆瓣电影Top250.xlsx'  saveData(datalist,savapath)main()