源码大公开!Python爬取豆瓣电影Top250源代码,赶紧收藏!
哈喽~大家好,我是恰恰。不知道是不是有很多小伙伴跟我一样,很喜欢看电影,尤其是那种别人推荐的豆瓣高分电影,所以学Python就有一个好处,用Python爬取豆瓣电影那是分分钟的事,再也不用因为有些电影看不了而难受了。 所以看到这里了赶紧给我点赞收藏起来~码住在学!
另外还给同学整理归纳了一些其他Python资料,想要的小伙伴关注恰恰, 点击后面的链接进入免费领取:https://docs.qq.com/doc/DZmpWZHpqZFFFZGhh?pub=1&dver=2.1.27114328
这篇内容使用Python爬取豆瓣电影Top250,含完整源代码,并实现两种方式保存数据(excel和数据库)主要分为四步:1、获取页面源代码;2、获取标签;3、正则表达式匹配;4、保存数据。先上完整代码,后面再对重点部分进行解析。
程序运行截图:
from bs4 import BeautifulSoup #页面解析,获取数据
import re #正则表达式
import urllib.request,urllib.error #指定URL,获取页面数据
import xlwt #进行excel操作
import sqlite3 #进行sql操作
def main():
baseUrl = "https://movie.douban.com/top250?start="
#1.爬取网页,并解析数据
dataList = getData(baseUrl)
savePath=".\\豆瓣电影Top250.xls"
#savePath = "movies.db"
#2.保存数据
saveData(dataList,savePath)
#savedb(dataList,savePath)
#---正则表达式---
#链接
findLink = re.compile(r'<a href="(.*?)">',re.S)
#电影名字
findName = re.compile(r'<span class="title">(.*?)</span>',re.S)
#评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
#标题
findInq = re.compile(r'<span class="inq">(.*?)</span>',re.S)
#评分人数
findCount = re.compile(r'<span>(.*?)人评价</span>')
#电影信息
findInf = re.compile(r'<p class="">(.*?)</p>',re.S)
#1.爬取网页
def getData(baseUrl):
dataList = []
for i in range(10):
html = askUrl(baseUrl + str(i * 25))
# 2.逐一解析数据
bs = BeautifulSoup(html,"html.parser")
for item in bs.find_all('div',class_="item"):
data = []
item = str(item)
#链接
link = re.findall(findLink,item)[0]
#名字
name = re.findall(findName,item)
if len(name) == 1:
cName = name[0]
fName = " "
else:
name[1] = name[1].replace(" / ","")
cName = name[0]
fName = name[1]
#评分
rating = re.findall(findRating,item)[0]
#标题
inq = re.findall(findInq,item)
if len(inq) < 1:
inq = " "
else:
inq= inq[0]
#评分人数
racount = re.findall(findCount,item)[0]
#电影信息
inf = re.findall(findInf,item)[0]
inf = re.sub("...<br(\s+)?/>(\s?)"," ",inf)
inf = re.sub("/"," ",inf)
inf = inf.strip()
#添加一部电影的信息进data
data.append(link)
data.append(cName)
data.append(fName)
data.append(rating)
data.append(inq)
data.append(racount)
data.append(inf)
dataList.append(data)
return dataList
#爬取指定url
def askUrl(url):
head = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3776.400 QQBrowser/10.6.4212.400"}
request = urllib.request.Request(url = url,headers=head)
http = ""
try:
response = urllib.request.urlopen(request)
http = response.read().decode("utf-8")
except urllib.error.URLError as e:
if hasattr(e,"code"):
print(e.code)
if hasattr(e,"reson"):
print(e.reson)
return http
# 3.保存数据
def saveData(dataList,savePath):
woke = xlwt.Workbook("utf-8",style_compression=0)#样式的压缩效果
sheet = woke.add_sheet("豆瓣电影Top250",cell_overwrite_ok=True)#覆盖原单元格信息
col = ("链接","中文名字","英文名字","评分","标题","评分人数","概况")
for i in range (7):
sheet.write(0,i,col[i])
for i in range (0,250):
for j in range (7):
sheet.write(i+1,j,dataList[i][j])
print("第%d条数据"%(i+1))
woke.save(savePath)
print("保存完毕")
#3.保存到数据库
def savedb(dataList,dataPath):
initdb(dataPath)
conn = sqlite3.connect(dataPath)
cur = conn.cursor()
#开始保存数据
for data in dataList:
for index in range(len(data)):
data[index] = str('"'+data[index]+'"')
newstr = ",".join(data)
sql ="insert into movie(info_link,cname,fname,rating,inq,racount,inf)values(%s)"%(newstr)
print(sql)
cur.execute(sql)
conn.commit()
cur.close()
conn.close()
print("保存完毕")
#3-1新建表
def initdb(dataPath):
conn = sqlite3.connect(dataPath)
cur = conn.cursor()
sql = '''
create table movie(
id Integer primary key autoincrement,
info_link text,
cname varchar ,
fname varchar ,
rating varchar ,
inq text,
racount varchar ,
inf text
)
'''
cur.execute(sql)
conn.commit()
cur.close()
conn.close()
if __name__ == "__main__":
#调用函数
main()
一、获取页面源代码
伪装成浏览器;2.进一步包装请求;3.网页请求获取数据;4.解析并保存;5.返回数据。
import urllib.request,urllib.error #指定URL,获取页面数据
#爬取指定url
def askUrl(url):
#请求头伪装成浏览器(字典)
head = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3776.400 QQBrowser/10.6.4212.400"}
#进一步包装请求
request = urllib.request.Request(url = url,headers=head)
#存储页面源代码
html = ""
try:
#页面请求,获取内容
response = urllib.request.urlopen(request)
#读取返回的内容,用"utf-8"编码解析
html = response.read().decode("utf-8")
except urllib.error.URLError as e:
if hasattr(e,"code"):
print(e.code)
if hasattr(e,"reson"):
print(e.reson)
#返回页面源代码
return html
二、获取标签
通过BeautifulSoup进一步解析页面源代码
from bs4 import BeautifulSoup #页面解析,获取数据
Beautiful Soup 将复杂 HTML 文档转换成一个复杂的树形结构,每个节点都是 Python 对象,可分为四大对象种类,这里主要用到Tag类的对象,还有三种,有兴趣可以自己去深入学习~~
#构建了一个BeautifulSoup类型的对象soup
#参数为网页源代码和”html.parser”,表明是解析html的
bs = BeautifulSoup(html,"html.parser")
#找到所有class叫做item的div,注意class_有个下划线
bs.find_all('div',class_="item")
三、正则表达式匹配
先准备好相应的正则表达式,然后在上面得到的标签下手
#Python正则表达式前的 r 表示原生字符串(rawstring)
#该字符串声明了引号中的内容表示该内容的原始含义,避免了多次转义造成的反斜杠困扰
#re.S它表示"."的作用扩展到整个字符串,包括“\n”
#re.compile()编译后生成Regular Expression对象,由于该对象自己包含了正则表达式
#所以调用对应的方法时不用给出正则字符串。
#链接
findLink = re.compile(r'<a href="(.*?)">',re.S)
#找到所有匹配的
#参数(正则表达式,内容)
#[0]返回匹配的数组的第一个元素
link = re.findall(findLink,item)[0]
四、保存数据
实现保存在excel中及数据库中,对应函数分别是saveData及savedb。
今天的内容就到这里啦!不知道今天的Python小用法有没有激起大家对Python的兴趣呢?希望恰恰每天的一个分享会让大家觉得Python是很容易学的,也是很有趣的,所以千万不要怕难,我们要学会战胜自己,其实大多数难的不是这件事,而是你自己觉得这件事难,只要战胜了自己就什么都不是事啦!
如果小伙伴们觉得自己学有点难度,也可以关注恰恰,这边有Python如何学习的路线和可以解答疑问的,我们一起努力吧!
需要帮助和资料的小伙伴关注恰恰, 点击后面的链接进入免费领取:https://docs.qq.com/doc/DZmpWZHpqZFFFZGhh?pub=1&dver=2.1.27114328
源码大公开!Python爬取豆瓣电影Top250源代码,赶紧收藏!相关推荐
- Python爬取豆瓣电影top250的电影信息
Python爬取豆瓣电影top250的电影信息 前言 一.简介 二.实例源码展示 小结 前言 相信很多小伙伴在学习网络爬虫时,老师们会举一些实例案例讲解爬虫知识,本文介绍的就是经典爬虫实际案例–爬取豆 ...
- 利用python爬取豆瓣电影top250
利用python爬取豆瓣电影top250: 注:本内容只是作为个人学习记录 1.业务分析 进入网页https://movie.douban.com/top250 可以看见每部电影都呈现在眼前,点击电影 ...
- python爬取豆瓣电影top250的代码_Python爬虫——爬取豆瓣电影Top250代码实例
利用python爬取豆瓣电影Top250的相关信息,包括电影详情链接,图片链接,影片中文名,影片外国名,评分,评价数,概况,导演,主演,年份,地区,类别这12项内容,然后将爬取的信息写入Excel表中 ...
- python爬取豆瓣电影top250并保存为xlsx_python抓取豆瓣电影Top250数据并写入Excel
douban python抓取豆瓣电影Top250数据并写入Excel 1.将目标网站上的页面抓取下来 2.将抓取下来的数据根据一定的规则进行提取 create table `tb_movie`( i ...
- python爬取豆瓣电影top250编码_Python学习日记1| 用python爬取豆瓣电影top250
今天是3.17号. 离毕业论文开题只剩下不到15天,自己这边还不知道要写什么好,问了导师,导师给的范围超级广泛,实在是想吐槽.想了几天,决定了要尽快给老师说自己的想法和方向,做什么还是靠自己比较靠谱. ...
- python爬取豆瓣电影top250_用Python爬取豆瓣电影TOP250分析
/ 01 / Scrapy 之前了解了pyspider框架的使用,但是就它而言,只能应用于一些简单的爬取. 对于反爬程度高的网站,它就显得力不从心. 那么就轮到Scrapy上场了,目前Python中使 ...
- python爬取豆瓣电影Top250(小白系列)
本文是作者在通过B站跟着李巍老师学习以后所写,记一次学习笔记,自己为了方便自己以后回顾模仿 . 本文是最终爬取排行榜,相关知识储备在我的微信公共号(名称:PromisingQ)已发,后续还会不定期更新 ...
- python爬取豆瓣电影top250并保存为xlsx_Python 爬虫 存储Excel - 豆瓣电影Top250
from bs4 import BeautifulSoup #网页解析,获取数据 import re #正则表达式,进行文字匹配 import urllib.request,urllib.error ...
- 零基础爬虫----python爬取豆瓣电影top250的信息(转)
今天利用xpath写了一个小爬虫,比较适合一些爬虫新手来学习.话不多说,开始今天的正题,我会利用一个案例来介绍下xpath如何对网页进行解析的,以及如何对信息进行提取的. python环境:pytho ...
最新文章
- 20T数据、百万奖金,同济和武大摘得开放数据创新应用大赛桂冠!
- springboot打包不同环境配置与shell脚本部署
- 23-26 Python File方法、OS文件/目录方法、异常处理、内置函数
- mysql 获取结果_【原创】7. MYSQL++中的查询结果获取(各种Result类型)
- 04.React事件 方法、 React定义方法的几种方式 获取数据 改变数据 执行方法传值...
- 【Jmeter篇】Jmeter分布式调度压测部署
- python3高级 之 生成器
- idea 2019最新版无法打开报错问题,Error occurred during initialization of VM Initial heap size set to a larger va
- 服务器API压力测试 -ab工具
- 支付宝小程序开发笔记
- app开发前后端简易流程图
- G. Discarding Game(尺取)
- miui android系统 流量,小米4 MIUI6系统怎么设置流量功能?小米4 MIUI6流量管理设置?...
- 《软件体系结构》习题解答(二)
- 请叫我程序员!(一)
- arduino串口点灯
- __str__()方法
- 02、【solidworks】solidworks下载重装可能遇到的问题尤其是注册表访问问题
- 使用idea时maven报错:Error reading file E:/heima/ns/pom.xml
- 使用PHP+MYSQL搭建的新款直播带货秀商城系统源码
热门文章
- 【黑金ZYNQ7000系列原创视频教程】07.自定义IPmdash;mdash;定制RTC IP实验
- 如何做成功的项目经理
- 《 中国高校鄙视链大全 》
- Webserver简易项目
- 普京签署法案禁止美公民收养俄儿童
- Neither --kubeconfig nor --master was specified. Using the inClusterConfig. This might not work
- 论文检测的时间段是什么时候?
- 初学者如何查阅自然语言处理领域学术资料(转)
- 大促过后,销量与流量兼具,是否真的高枕无忧?
- CobaltStrike XSS