英杰社区
https://bbs.csdn.net/topics/617804998
一、背景
近年来,Python在数据爬取和处理方面的应用越来越广泛。本文将介绍一个基于Python的爬虫程
序,用于抓取豆瓣电影Top250的相关信息,并将其保存为Excel文件。
程序包含以下几个部分:
导入模块:程序导入了 BeautifulSoup、re、urllib.request、urllib.error、xlwt等模块。
定义函数:
geturl(url):接收一个URL参数,返回该URL页面内容。getdata(baseurl):接收一个基础URL参数,遍历每一页的URL,获取电影信息数据,以列表形式返回。savedata(datalist,savepath):接收电影信息数据和保存路径参数,将数据保存到Excel文件中。二、导入必要的模块:
代码首先导入了需要使用的模块:requests、lxml和csv。
import requestsfrom lxml import etreeimport csv
如果出现模块报错
进入控制台输入:建议使用国内镜像源
pip install 模块名称 -i https://mirrors.aliyun.com/pypi/simple
我大致罗列了以下几种国内镜像源:
清华大学https://pypi.tuna.tsinghua.edu.cn/simple阿里云https://mirrors.aliyun.com/pypi/simple/豆瓣https://pypi.douban.com/simple/ 百度云https://mirror.baidu.com/pypi/simple/中科大https://pypi.mirrors.ustc.edu.cn/simple/华为云https://mirrors.huaweicloud.com/repository/pypi/simple/腾讯云https://mirrors.cloud.tencent.com/pypi/simple/
三、定义了函数来解析每个电影的信息:
设置了请求头部信息,以模拟浏览器的请求,函数返回响应数据的JSON格式内容。
def getSource(url): # 反爬 填写headers请求头 headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.88 Safari/537.36' } response = requests.get(url, headers=headers) # 防止出现乱码 response.encoding = 'utf-8' # print(response.text) return response.text
如何获取请求头:
火狐浏览器:
打开目标网页并右键点击页面空白处。选择“检查元素”选项,或按下快捷键Ctrl + Shift + C(Windows)在开发者工具窗口中,切换到“网络”选项卡。刷新页面以捕获所有的网络请求。在请求列表中选择您感兴趣的请求。在右侧的“请求标头”或“Request Headers”部分,即可找到请求头信息。将以下请求头信息复制出来即可
四、源代码:
该爬虫程序使用了Python的第三方库BeautifulSoup和正则表达式模块,通过解析HTML页面并进行匹配,提取了电影详情链接、图片链接、影片中文名、影片外国名、评分、评价数、概述以及相关信息等数据,最后将这些数据保存到Excel文件中。
from bs4 import BeautifulSoupimport re #正则表达式,进行文字匹配import urllib.request,urllib.error #指定URL,获取网页数据import xlwt #进行excel操作def main(): baseurl = "https://movie.douban.com/top250?start=" datalist= getdata(baseurl) savepath = ".\\豆瓣电影top250.xls" savedata(datalist,savepath)#compile返回的是匹配到的模式对象findLink = re.compile(r'<a href="(.*?)">') # 正则表达式模式的匹配,影片详情findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S) # re.S让换行符包含在字符中,图片信息findTitle = re.compile(r'<span class="title">(.*)</span>') # 影片片名findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>') # 找到评分findJudge = re.compile(r'<span>(\d*)人评价</span>') # 找到评价人数 #\d表示数字findInq = re.compile(r'<span class="inq">(.*)</span>') # 找到概况findBd = re.compile(r'<p class="">(.*?)</p>', re.S) # 找到影片的相关内容,如导演,演员等##获取网页数据def getdata(baseurl): datalist=[] for i in range(0,10): url = baseurl+str(i*25) ##豆瓣页面上一共有十页信息,一页爬取完成后继续下一页 html = geturl(url) soup = BeautifulSoup(html,"html.parser") #构建了一个BeautifulSoup类型的对象soup,是解析html的 for item in soup.find_all("div",class_='item'): ##find_all返回的是一个列表 data=[] #保存HTML中一部电影的所有信息 item = str(item) ##需要先转换为字符串findall才能进行搜索 link = re.findall(findLink,item)[0] ##findall返回的是列表,索引只将值赋值 data.append(link) imgSrc = re.findall(findImgSrc, item)[0] data.append(imgSrc) titles=re.findall(findTitle,item) ##有的影片只有一个中文名,有的有中文和英文 if(len(titles)==2): onetitle = titles[0] data.append(onetitle) twotitle = titles[1].replace("/","")#去掉无关的符号 data.append(twotitle) else: data.append(titles) data.append(" ") ##将下一个值空出来 rating = re.findall(findRating, item)[0] # 添加评分 data.append(rating) judgeNum = re.findall(findJudge, item)[0] # 添加评价人数 data.append(judgeNum) inq = re.findall(findInq, item) # 添加概述 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) bd = re.sub('/', " ", bd) data.append(bd.strip()) # 去掉前后的空格 datalist.append(data) return datalist##保存数据def savedata(datalist,savepath): workbook = xlwt.Workbook(encoding="utf-8",style_compression=0) ##style_compression=0不压缩 worksheet = workbook.add_sheet("豆瓣电影top250",cell_overwrite_ok=True) #cell_overwrite_ok=True再次写入数据覆盖 column = ("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") ##execl项目栏 for i in range(0,8): worksheet.write(0,i,column[i]) #将column[i]的内容保存在第0行,第i列 for i in range(0,250): data = datalist[i] for j in range(0,8): worksheet.write(i+1,j,data[j]) workbook.save(savepath)##爬取网页def geturl(url): head = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) " "AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36" } req = urllib.request.Request(url,headers=head) try: ##异常检测 response = urllib.request.urlopen(req) html = response.read().decode("utf-8") except urllib.error.URLError as e: if hasattr(e,"code"): ##如果错误中有这个属性的话 print(e.code) if hasattr(e,"reason"): print(e.reason) return htmlif __name__ == '__main__': main() print("爬取成功!!!")
五、详解代码
导入所需模块,包括`BeautifulSoup`、`re`、`urllib`和`xlwt`。
from bs4 import BeautifulSoupimport re # 正则表达式,进行文字匹配import urllib.request,urllib.error # 指定URL,获取网页数据import xlwt # 进行excel操作
主函数,主要包含三个步骤:获取数据、保存数据和打印成功信息。
def main(): baseurl = "https://movie.douban.com/top250?start=" datalist = getdata(baseurl) savepath = ".\\豆瓣电影top250.xls" savedata(datalist, savepath)
这里使用正则表达式对html页面进行匹配,获取需要的信息,返回的是匹配到的模式对象。
##compile返回的是匹配到的模式对象findLink = re.compile(r'<a href="(.*?)">') # 正则表达式模式的匹配,影片详情findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S) # re.S让换行符包含在字符中,图片信息findTitle = re.compile(r'<span class="title">(.*)</span>') # 影片片名findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>') # 找到评分findJudge = re.compile(r'<span>(\d*)人评价</span>') # 找到评价人数 #\d表示数字findInq = re.compile(r'<span class="inq">(.*)</span>') # 找到概况findBd = re.compile(r'<p class="">(.*?)</p>', re.S) # 找到影片的相关内容,如导演,演员等
获取网页数据的函数,包括以下步骤:
1. 循环10次,依次爬取不同页面的信息;
2. 使用`urllib`获取html页面;
3. 使用`BeautifulSoup`解析页面;
4. 遍历每个div标签,即每一部电影;
5. 对每个电影信息进行匹配,使用正则表达式提取需要的信息并保存到一个列表中;
6. 将每个电影信息的列表保存到总列表中。
def getdata(baseurl): datalist = [] for i in range(0, 10): url = baseurl + str(i * 25) html = geturl(url) soup = BeautifulSoup(html, "html.parser") for item in soup.find_all("div", class_='item'): data = [] item = str(item) link = re.findall(findLink, item)[0] data.append(link) imgSrc = re.findall(findImgSrc, item)[0] data.append(imgSrc) titles = re.findall(findTitle, item) if (len(titles) == 2): onetitle = titles[0] data.append(onetitle) twotitle = titles[1].replace("/", "") data.append(twotitle) else: data.append(titles) data.append(" ") rating = re.findall(findRating, 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) bd = re.sub('/', " ", bd) data.append(bd.strip()) datalist.append(data) return datalist
将获取到的数据保存到excel文件中,包括以下步骤:
1. 创建一个excel文件;
2. 在文件中创建一个工作表;
3. 写入execl项目栏,即第一行的标题;
4. 循环保存每一部电影的信息。
def savedata(datalist, savepath): workbook = xlwt.Workbook(encoding="utf-8", style_compression=0) ##style_compression=0不压缩 worksheet = workbook.add_sheet("豆瓣电影top250", cell_overwrite_ok=True) # cell_overwrite_ok=True再次写入数据覆盖 column = ("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") ##execl项目栏 for i in range(0, 8): worksheet.write(0, i, column[i]) # 将column[i]的内容保存在第0行,第i列 for i in range(0, 250): data = datalist[i] for j in range(0, 8): worksheet.write(i + 1, j, data[j]) workbook.save(savepath)
使用`urllib`获取网页数据的函数。
def geturl(url): head = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) " "AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36" } req = urllib.request.Request(url, headers=head) try: ##异常检测 response = urllib.request.urlopen(req) html = response.read().decode("utf-8") except urllib.error.URLError as e: if hasattr(e, "code"): ##如果错误中有这个属性的话 print(e.code) if hasattr(e, "reason"): print(e.reason) return html
程序入口,执行主函数,并打印成功信息。
if __name__ == '__main__': main() print("爬取成功!!!")
六、效果展示
七、文末送书
参与活动
1️⃣参与方式:关注、点赞、收藏,评论(人生苦短,我一天我也懒得卷)
2️⃣获奖方式:程序随机抽取 3位,每位小伙伴将获得一本书
3️⃣活动时间:截止到 2024-1-10 22:00:00
注:活动结束后会在我的主页动态如期公布中奖者,包邮到家。
购买链接https://product.dangdang.com/29643392.html
这本书是美国人工智能领域的权威经典教材,受到广大师生的广泛好评。中文版更是被近百所高校采用,作为专业教科书使用。
本书第 2 版出版于 2018 年,恰恰在过去的5年中,人工智能技术有了突破性的进展,大模型即是其中的代表。第3版在第 2 版的基础上进行了内容调整和升级,以跟上技术发展的步伐。新增了深度学习、人工智能安全和人工智能编程等新进展、新成果。
全书内容包括人工智能的历史、思维和智能之辩、图灵测试、搜索、博弈、知识表示、产生式系统、专家系统、机器学习、深度学习、自然语言处理(NLP)、自动规划、遗传算法、模糊控制、安全等。此外,它还介绍了一些新技术和应用,如机器人、高级计算机博弈等。
这本书是美国人工智能领域的权威经典教材,受到广大师生的广泛好评。中文版更是被近百所高校采用,作为专业教科书使用。
本书第 2 版出版于 2018 年,恰恰在过去的5年中,人工智能技术有了突破性的进展,大模型即是其中的代表。第3版在第 2 版的基础上进行了内容调整和升级,以跟上技术发展的步伐。新增了深度学习、人工智能安全和人工智能编程等新进展、新成果。
全书内容包括人工智能的历史、思维和智能之辩、图灵测试、搜索、博弈、知识表示、产生式系统、专家系统、机器学习、深度学习、自然语言处理(NLP)、自动规划、遗传算法、模糊控制、安全等。此外,它还介绍了一些新技术和应用,如机器人、高级计算机博弈等。