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 requests
from lxml import etree
import 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 BeautifulSoup
import 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 html
if __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 BeautifulSoup
import 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。
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。
