1024T猫薄荷
2021-10-01 17:23
采纳率: 33.3%
浏览 115
已结题

爬虫学习时错误IndexError: list index out of range(列表索引超出范围)

源代码如下


from bs4 import BeautifulSoup   # 网业分析、获取数据
import re    # 正则表达式,进行文字匹配
import urllib.request, urllib.error   # 判定URL,获取网页数据
import xlwt   # 进行excel操作
import sqlite3   # 进行SQlite数据库操作
import random
import requests


def main():
    baseurl = "https://movie.douban.com/top250?start="
    # 1.扒取网页
    datalist = getData(baseurl)
    savepath = ".\\豆瓣电影Top250.xls"
    # 3.保存数据
    saveData(datalist,savepath)

    # askURL("https://movie.douban.com/top250?start=")

# 影片详情链接的规则
findLink = re.compile(r'<a href="(.*?)">')     # 创建正则表达式对象,表示规则(字符串的模式)
# 影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)   # re.S  让换行符包含在字符中
#影片的片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#找到评价人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
#找到概况
findInq = re.compile(r'<span class="inq">(.*)</span>')
#找到影片的相关内容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)


# 爬取网页
def getData(baseurl):
    datalist = []
    for i in range(0,10):   # 调用获取页面信息的函数、10次
        url = baseurl + str(i*25)
        html = askURL(url)

        # 2.逐一解析数据 下的直到return之前 ,中间这部分内容,记得放在获取页面10次的for下面
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all('div',class_="item"):  # 查找符合要求的字符串,形成列表
            # print(item)    #测试:查看电影item全部信息
            data = []    # 保存一部电影的全部信息
            # item = str(item)
            # print(item)
            break
            # 影片详情的链接
            link = re.findall(findLink,item)[0]      #re库用来通过正则表达式查找指定的字符串
            data.append(link)                        #添加链接

            imgSrc = re.findall(findImgSrc,item)[0]
            data.append(imgSrc)                      #添加图片

            titles = re.findall(findTitle,item)      #片名可能只有一个中文名,没有外国名
            if(len(titles) == 2):
                ctitle = titles[0]                    #中文片名
                data.append(titles)
                otitle = titles[1].replace("/","")    #英文片名,去掉无关符号
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append(' ')             #外国名字留空

            rating = re.findall(findRating,item)[0]
            data.append(rating)                       #添加评分

            judgeNum = re.findall(findJudge,item)[0]
            data.append(judgeNum)                     #添加评价人数

            inq = re.findall(findInq,item)
            if len(inq) != 0:
                inq = inq[0].replace("。","")           #去掉句号
                data.append(inq)                   #添加概述
            else:
                data.append(" ")                  #留空

            bd = re.findall(findBd,item)[0]
            bd = re.sub('<br(\s+)?/>(\s+)?'," ",bd)       #去掉<br/>
            bd = re.sub('/'," ",bd)                    #替换 /
            data.append(bd.strip())                   #去掉前后的空格

            datalist.append(data)             #把处理好的一部电影信息放入datalist
    # print(datalist)
    return datalist

# 得到指定一个URL的网页内容
def askURL(url):
    head = {           # 模拟浏览器头部信息,向豆瓣服务器发送消息
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36"
    }
    # 用户代理,表示告诉豆瓣服务器,我们是什么类型的机器、浏览器(本质上是告诉浏览器我们可以接收什么水平的文件内容
    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



# 保存数据
def saveData(datalist,savepath):
    print("save...")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)  # 创建workbook对象
    sheet = book.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True)  # 创建工作表
    col = ("电影详情链接","图片链接","影片中文名","影片外国名","评分","评分数","概况","相关信息")      # 列的设定
    for i in range(0,8):
        sheet.write(0,i,col[i])    #列名
    for i in range(0,250):
        print("第%d条" %i)
        data = datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])   #输入数据

    book.save(savepath)     #保存数据表
    print("爬取完毕")



if __name__ == "__main__":      # 当程序执行时
#调用函数
    main()

出现以下错误

D:\MarkDown\python\douban\venv\Scripts\python.exe D:/MarkDown/python/douban/spider.py
save...
第0条
Traceback (most recent call last):
  File "D:\MarkDown\python\douban\spider.py", line 132, in <module>
    main()
  File "D:\MarkDown\python\douban\spider.py", line 16, in main
    saveData(datalist,savepath)
  File "D:\MarkDown\python\douban\spider.py", line 121, in saveData
    data = datalist[i]
IndexError: list index out of range

Process finished with exit code 1


“link=re.findall(findLink,item)[0]中的[0]被去掉”我照做了,但是还是这个结果,也就是说可能问题出在 datalist 上,但是我不知道怎么修改。请各位老哥显神通,谢谢!

  • 好问题 提建议
  • 收藏

1条回答 默认 最新

  • CSDN专家-showbo 2021-10-01 17:36
    已采纳

    去掉break。。要不for下面的append不生效。。

    img


    而且item是node,需要转为字符串,取消注释item = str(item)

    img

    改完上面2步骤后可以了,正常采集

    img

    有帮助麻烦点个采纳【本回答右上角】,谢谢~~

    评论
    解决 1 无用
    打赏 举报

相关推荐 更多相似问题