Python爬取豆瓣數(shù)據(jù)實(shí)現(xiàn)過程解析
更新時(shí)間：2020年10月27日 11:13:25 作者：阿西莫多
這篇文章主要介紹了Python爬取豆瓣數(shù)據(jù)實(shí)現(xiàn)過程解析,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下
代碼如下
from bs4 import BeautifulSoup #網(wǎng)頁解析，獲取數(shù)據(jù) import sys #正則表達(dá)式，進(jìn)行文字匹配 import re import urllib.request,urllib.error #指定url，獲取網(wǎng)頁數(shù)據(jù) 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：
上面第一步算有了，下面分模塊來，步驟算第二步來：
這個(gè)放在開頭
def main():
baseurl ="https://movie.douban.com/top250?start="
datalist = getData(baseurl)
savepath=('douban.xls')
saveData(datalist,savepath)
這個(gè)放在末尾
if __name__ == '__main__':
main()
不難看出這是主函數(shù)，里面的話是對子函數(shù)的調(diào)用，下面是第三個(gè)步驟：子函數(shù)的代碼
對網(wǎng)頁正則表達(dá)提?。ǚ旁谥骱瘮?shù)的后面就可以）
findLink = re.compile(r'<a href="(.*?)" rel="external nofollow" rel="external nofollow" >') #創(chuàng)建正則表達(dá)式對象，表示規(guī)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'<span class="title">(.*?)</span>')
#影片評分
fileRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
#找到評價(jià)的人數(shù)
findJudge = re.compile(r'<span>(\d*)人評價(jià)</span>')
#找到概識
findInq =re.compile(r'<span class="inq">(.*?)</span>')
#找到影片的相關(guān)內(nèi)容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)
爬數(shù)據(jù)核心函數(shù)
def getData(baseurl):
datalist=[]
for i in range(0,10):#調(diào)用獲取頁面的函數(shù)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(dá)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+)?/>(\s+)?'," ",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(wǎng)頁內(nèi)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(nèi)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(shù)據(jù)保存到表格中
ef saveData(datalist,savepath):
print("保存中。。。")
book = xlwt.Workbook(encoding="utf-8",style_compression=0) # 創(chuàng)建workbook對象
sheet = book.add_sheet('douban',cell_overwrite_ok=True) #創(chuàng)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(wǎng)","影片外國名","圖片鏈接","評分","評價(jià)數(shù)","概況","相關(guān)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(gè)爬數(shù)據(jù)的整個(gè)程序，這僅僅是一個(gè)非常簡單的爬取，如果想要爬更難的網(wǎng)頁需要實(shí)時(shí)分析
整個(gè)程序代碼
from bs4 import BeautifulSoup #網(wǎng)頁解析，獲取數(shù)據(jù)
import sys #正則表達(dá)式，進(jìn)行文字匹配
import re
import urllib.request,urllib.error #指定url，獲取網(wǎng)頁數(shù)據(jù)
import xlwt #使用表格
import sqlite3
import lxml
def main():
baseurl ="https://movie.douban.com/top250?start="
datalist = getData(baseurl)
savepath=('douban.xls')
saveData(datalist,savepath)
#影片播放鏈接
findLink = re.compile(r'<a href="(.*?)" rel="external nofollow" rel="external nofollow" >') #創(chuàng)建正則表達(dá)式對象，表示規(guī)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'<span class="title">(.*?)</span>')
#影片評分
fileRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
#找到評價(jià)的人數(shù)
findJudge = re.compile(r'<span>(\d*)人評價(jià)</span>')
#找到概識
findInq =re.compile(r'<span class="inq">(.*?)</span>')
#找到影片的相關(guān)內(nèi)容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)
def getData(baseurl):
datalist=[]
for i in range(0,10):#調(diào)用獲取頁面的函數(shù)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(dá)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+)?/>(\s+)?'," ",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(gè)url的網(wǎng)頁內(nèi)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(nèi)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(chuàng)建workbook對象
sheet = book.add_sheet('douban',cell_overwrite_ok=True) #創(chuàng)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(wǎng)","影片外國名","圖片鏈接","評分","評價(jià)數(shù)","概況","相關(guān)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()
以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
相關(guān)文章
面向?qū)ο髮W(xué)習(xí)之pygame坦克大戰(zhàn)
這篇文章主要為大家詳細(xì)介紹了面向?qū)ο髮W(xué)習(xí)之pygame坦克大戰(zhàn)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2019-09-09
這篇文章主要介紹了如何用python繪制桃花樹，幫助大家更好的使用python處理圖片，本文給大家介紹的非常詳細(xì)，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2021-08-08
這篇文章主要為大家詳細(xì)介紹了如何加載并處理TorchVision的FashionMNIST Dataset，文中的示例代碼講解詳細(xì)，感興趣的小伙伴可以了解一下2022-12-12
Python中的defaultdict模塊和namedtuple模塊的簡單入門指南
這篇文章主要介紹了Python中的defaultdict模塊和namedtuple模塊的簡單入門指南,efaultdict繼承自dict、namedtuple繼承自tuple，是Python中內(nèi)置的數(shù)據(jù)類型，需要的朋友可以參考下2015-04-04
python?aeon庫進(jìn)行時(shí)間序列算法預(yù)測分類實(shí)例探索
這篇文章主要介紹了python?aeon庫進(jìn)行時(shí)間序列算法預(yù)測分類實(shí)例探索,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2024-02-02
這篇文章主要介紹了python檢測遠(yuǎn)程端口是否打開的方法,實(shí)例分析了Python基于socket檢測端口的技巧,需要的朋友可以參考下2015-03-03
ITK 實(shí)現(xiàn)多張圖像轉(zhuǎn)成單個(gè)nii.gz或mha文件案例
這篇文章主要介紹了ITK 實(shí)現(xiàn)多張圖像轉(zhuǎn)成單個(gè)nii.gz或mha文件案例，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-07-07
win10系統(tǒng)下Anaconda3安裝配置方法圖文教程
這篇文章主要為大家詳細(xì)介紹了win10系統(tǒng)下Anaconda3安裝配置方法圖文教程，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-09-09
Windows下的Jupyter Notebook 安裝與自定義啟動(dòng)(圖文詳解)
這篇文章主要介紹了Windows下的Jupyter Notebook 安裝與自定義啟動(dòng)(圖文詳解),需要的朋友可以參考下2018-02-02
在本篇文章里小編給大家整理的是關(guān)于python能做什么 python的含義的相關(guān)知識點(diǎn)，有需要的朋友們學(xué)習(xí)下。2019-10-10