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!