首先,作为练手,我也是看别人的博客文章学习写爬虫的,过程中遇到很多问题,不过经过自己的努力完成了此项任务,虽然过程波折,但是收获不会少,作为自学可谓加深印象。先说下需求,使用Python3.5版本获取豆瓣950多部电影排行信息,包含电影名称、导演、主演、编剧、类型、时长、上映时间、评分、票房、评分人数等一系列信息。
参考文章:/Fighting_No1/article/details/50926008?locationNum=8&fps=1
#!/usr/bin/python#-*- coding: utf-8 -*-from bs4 import BeautifulSoupimport reimport urllib.requestimport xlwt#得到页面全部内容def askURL(url):fakeHeaders = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.2; rv:16.0) (Gecko/0101 Firefox/16.0)'}#伪装请求头request = urllib.request.Request(url, headers=fakeHeaders)#发送请求proxy = urllib.request.ProxyHandler({'http': 'http://192.168.1.11:1080'})#设置代理opener = urllib.request.build_opener(proxy)#打开代理urllib.request.install_opener(opener)#使用代理try:response = urllib.request.urlopen(request)#取得响应html = response.read()#获取网页内容return htmlexcept urllib.request.URLError as e:if hasattr(e, "code"):print(e.code)if hasattr(e, "reason"):print(e.reason)#获取相关内容def getData(baseurl):#re.M或re.MULTILINE:使用^或$时会匹配每一行的行首或行尾#re.S或re.DOTALL:使用.时能匹配换行符# 找到片名findTitle=pile(r'<a .*?>(.*?)</a>', re.S|re.M)#找到评分findRating=pile(r'<span class="rating_nums">(.*)</span>')#找到评价人数findJudge=pile(r'<span>(.*)</span>')#找到影片相关内容:导演,主演,类型,制片国家,年份findAbstract=pile(r'<div class="abstract">(.*)</div>', re.S)#找到发行类别、上映时间、总票房findQuote=pile(r'<blockquote class="comment">(.*)</blockquote>', re.S)datalist = []for i in range(0,39):#url每页显示25条数据,所以需要循环遍历url=baseurl+str(i*25)#+'&sort=seq&sub_type='html=askURL(url)soup = BeautifulSoup(html, "html5lib", from_encoding="utf-8")for item in soup.find_all('div', class_='doulist-item'):#找到每一个影片项data = []item = str(item)#转换成字符串titles = re.findall(findTitle, item)#获取电影名称newtitles = re.sub('\s', '', titles[1])#去掉\n符和空白data.append(newtitles) # 添加中文片名rating = re.findall(findRating, item)#获取评分,评分貌似也有为空的if (len(rating) == 1):score = rating[0]data.append(score)#添加评分else:data.append(' ')# 留空judgeNum=re.findall(findJudge, item)[0]#获取评价数量,评价数量貌似也有为空的newJudgeNum = re.findall(r'\d+', judgeNum)#取出数字if len(newJudgeNum) != 0:peoplenum = newJudgeNum[0]data.append(peoplenum)#添加评价数量else:data.append(' ')# 留空a = re.findall(findAbstract, item)#这里可能会有空字符串出现if len(a) != 0:abstract=re.findall(findAbstract, item)[0]abstract = re.sub('\s', "", abstract)#替换/abstract = re.sub('</div>', "", abstract) # 去掉<br>words=abstract.split("<br/>")#测试发现主演有为空值的现象,此处在为空值的位置添加字眼“主演:”,便于切割字符串if (len(words) != 5):words.insert(1, '主演: ') # 留空#对字符串进行切割,得到导演、主演、电影类型、制片国家、电影所属年份director = words[0].split(':')[1]#导演data.append(director) # 放到列表data中mainactor = words[1].split(':')#主演有为空的if len(mainactor) != 0:actor = mainactor[1]data.append(actor)#添加主演else:data.append(' ') # 留空movietype = words[2].split(':')[1]#电影类型data.append(movietype) # 放到列表data中makercountry = words[3].split(':')[1]#制片国家data.append(makercountry) # 存入列表data中movieofyear = words[4].split(':')#电影所属年份if len(movieofyear) != 0:year = movieofyear[1]data.append(year[:4])else:data.append(' ') # 留空else:words=['导演: ', '主演: ', '类型: ', '制片国家/地区: ', '年份: ']director = words[0].split(':')[1] # 导演data.append(director) # 放到列表data中mainactor = words[1].split(':')data.append(mainactor)movietype = words[2].split(':')[1]data.append(movietype)makercountry = words[3].split(':')[1] # 制片国家data.append(makercountry) # 存入列表data中movieofyear = words[4].split(':') # 电影所属年份data.append(movieofyear)quote = re.findall(findQuote, item)# 处理空列表的情况出现if len(quote) != 0:info = re.sub('\s', '', quote[0]) # 去掉\n符和空白else:quote.insert(0, '总票房: | 上映日期: | 发行类别: ')#当发现有空数据时info = quote[0]#对获取到的字符串进行切割处理,以竖线为分割线进行切割separatequote = info.split("|")# 对字符串进行切割,得到总票房、上映日期、发行类别pricehouse = separatequote[0].split(":")[2:]#总票房if len(pricehouse) != 0:data.append(pricehouse[0])else:data.append(' ')releasedate = separatequote[1].split(":")[1:] # 上映日期if len(releasedate) != 0:data.append(releasedate[0])else:data.append(' ')releasetype = separatequote[2].split(":")[1:]#发行类别if len(releasetype) != 0:data.append(releasetype[0])else:data.append(' ')#print(data)datalist.append(data) # 放到大列表datalist中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(u'豆瓣电影', cell_overwrite_ok=True)col = ('影片名', '评分', '评价人数', '导演', '主演', '类型', '制片国家', '年份', '总票房', '上映时间', '发行类别')for i in range(0, len(col)):sheet.write(0, i, col[i])#列名,表格的第一行开始写。第一列,第二列。。。。for i in range(0, 953):#从第零行开始至952行data = datalist[i]for j in range(0, len(col)):sheet.write(i+1, j, data[j])#数据book.save(savepath)#保存if __name__ == '__main__':baseurl = '/doulist/1295618/?start='datalist = getData(baseurl)savepath = u'中国内地电影票房总排行.xls'saveData(datalist, savepath)
输出效果:
注意事项:这里输出发现第50条数据有问题,可通过手动删除得到其余952条电影信息,暂时不知道原因无法修正,如果你们发现了告诉我一声,我也好改正。我在程序中写入了953行,这样多余的冗余数据可通过手动删除来规避。
转载请标明原作者出处,谢谢