Python實現爬取豆瓣數據

發布時間：2020-10-28 21:36:29 來源：億速云閱讀：167 作者：Leah 欄目：開發技術

這篇文章將為大家詳細講解有關Python實現爬取豆瓣數據，文章內容質量較高，因此小編分享給大家做個參考，希望大家閱讀完這篇文章后對相關知識有一定的了解。

代碼如下

from bs4 import BeautifulSoup #網頁解析，獲取數據
import sys #正則表達式，進行文字匹配
import re
import urllib.request,urllib.error #指定url，獲取網頁數據
import xlwt #使用表格
import sqlite3
import lxml

以上是引用的庫，引用庫的方法很簡單，直接上圖：

Python實現爬取豆瓣數據

上面第一步算有了，下面分模塊來，步驟算第二步來：

這個放在開頭

def main():
  baseurl ="https://movie.douban.com/top250&#63;start="
  datalist = getData(baseurl)
  savepath=('douban.xls')
  saveData(datalist,savepath)

這個放在末尾

if __name__ == '__main__':
main()

不難看出這是主函數，里面的話是對子函數的調用，下面是第三個步驟：子函數的代碼

對網頁正則表達提取（放在主函數的后面就可以）

findLink = re.compile(r'<a href="(.*?)" rel="external nofollow" rel="external nofollow" >') #創建正則表達式對象，表示規則（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'(.*?)')
#影片評分
fileRating = re.compile(r'(.*?)')
#找到評價的人數
findJudge = re.compile(r'(\d*)人評價')
#找到概識
findInq =re.compile(r'(.*?)')
#找到影片的相關內容
findBd = re.compile(r'(.*?)',re.S)

爬數據核心函數

def getData(baseurl):
  datalist=[]
  for i in range(0,10):#調用獲取頁面的函數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庫用來通過正則表達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)#添加外國名
      else:
        data.append(titles[0])
        data.append(' ')#外國名字留空
 
      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+)&#63;/>(\s+)&#63;'," ",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

獲取指定網頁內容

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

將爬下來的數據保存到表格中

ef saveData(datalist,savepath):
  print("保存中。。。")
  book = xlwt.Workbook(encoding="utf-8",style_compression=0) # 創建workbook對象
  sheet = book.add_sheet('douban',cell_overwrite_ok=True) #創建工作表 cell_overwrite_ok表示直接覆蓋
  col = ("電影詳情鏈接","影片中文網","影片外國名","圖片鏈接","評分","評價數","概況","相關信息")
  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)

以上就是整個爬數據的整個程序，這僅僅是一個非常簡單的爬取，如果想要爬更難的網頁需要實時分析

整個程序代碼

from bs4 import BeautifulSoup #網頁解析，獲取數據
import sys #正則表達式，進行文字匹配
import re
import urllib.request,urllib.error #指定url，獲取網頁數據
import xlwt #使用表格
import sqlite3
import lxml
 
def main():
  baseurl ="https://movie.douban.com/top250&#63;start="
  datalist = getData(baseurl)
  savepath=('douban.xls')
  saveData(datalist,savepath)
#影片播放鏈接
findLink = re.compile(r'<a href="(.*&#63;)" rel="external nofollow" rel="external nofollow" >') #創建正則表達式對象，表示規則（字符串的模式）
#影片圖片
findImg = re.compile(r'<img.*src="(.*&#63;)" width="100"/>',re.S)#re.S取消換行符
#影片片面
findtitle= re.compile(r'<span class="title">(.*&#63;)</span>')
#影片評分
fileRating = re.compile(r'<span class="rating_num" property="v:average">(.*&#63;)</span>')
#找到評價的人數
findJudge = re.compile(r'<span>(\d*)人評價</span>')
#找到概識
findInq =re.compile(r'<span class="inq">(.*&#63;)</span>')
#找到影片的相關內容
findBd = re.compile(r'<p class="">(.*&#63;)</p>',re.S)
 
def getData(baseurl):
  datalist=[]
  for i in range(0,10):#調用獲取頁面的函數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庫用來通過正則表達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)#添加外國名
      else:
        data.append(titles[0])
        data.append(' ')#外國名字留空
 
      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+)&#63;/>(\s+)&#63;'," ",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url的網頁內容
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) # 創建workbook對象
  sheet = book.add_sheet('douban',cell_overwrite_ok=True) #創建工作表 cell_overwrite_ok表示直接覆蓋
  col = ("電影詳情鏈接","影片中文網","影片外國名","圖片鏈接","評分","評價數","概況","相關信息")
  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()

關于Python實現爬取豆瓣數據就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。

向AI問一下細節

91超碰碰碰碰久久久久久综合_超碰av人澡人澡人澡人澡人掠_国产黄大片在线观看画质优化_txt小说免费全本

Python實現爬取豆瓣數據

猜你喜歡

91超碰碰碰碰久久久久久综合_超碰av人澡人澡人澡人澡人掠_国产黄大片在线观看画质优化_txt小说免费全本

Python實現爬取豆瓣數據

猜你喜歡

最新資訊

相關推薦

相關標簽