• 如果您觉得本站非常有看点,那么赶紧使用Ctrl+D 收藏吧

爬取豆瓣TOP250电影信息+存储为Excel格式

互联网 diligentman 4天前 4次浏览

文章目录

    • 写在前面
    • 一、需求分析
    • 二、编程思路
      • 1.翻页问题
      • 2.内容分析
    • 三、具体步骤
      • 1.用到的库
      • 2.提取信息的正则表达式
      • 3.得到指定的url网页内容
      • 4.提取内容
      • 5.保存封面图片到本地
      • 6.信息保存为Excel格式
    • 四、完整代码
    • 写在最后

写在前面

  爬取豆瓣信息的例子之前也有人做过,只不过大多数用的是xpath,还有就是很多博主写的不够(划重点:细)😃 这里我在查找了各种资料之后写这篇文章。主要功能就是爬取豆瓣top250电影信息保存为excel格式,并且将每部电影的封面保存在本地。最后本着互联网开放共享的原则,我也会将完整源码无偿奉上,谢谢支持~

一、需求分析

  爬取豆瓣top250的基本信息,包括电影的名称、豆瓣评分、评价数、电影概况、电影连接、图片链接和一些其他信息。

网站链接: https://movie.douban.com/top250

先带大家看一下最后的效果:

爬取豆瓣TOP250电影信息+存储为Excel格式
爬取豆瓣TOP250电影信息+存储为Excel格式
可以看到信息已经保存在了excel中,影片的封面图片也全部存在了本地,下面来看具体的实现过程。

二、编程思路

  每个爬虫最开始的时候都要看网站结构,所以我们先看一下豆瓣的网站结构,主要找到我们要的信息保存在了哪个部分。

1.翻页问题

  大家仔细观察一下top250的网站就是会发现,每个网页展示25条电影信息,共25页。

第一页url:https://movie.douban.com/top250
第二页url:https://movie.douban.com/top250?start=25&filter=
第三页url:https://movie.douban.com/top250?start=50&filter=

通过我列出的上述3页,其实每一页网址的变化规律就显而易见了,一页可以显示25部电影,就是说这250部电影一共有10页。观察前第一页的网址,filter去掉并不影响,第一页也可以按照我们发现的规律在后边加上?start=25即https://movie.douban.com/top250?start=0,完全也可以进入。
所以很容易发现规律:就是start后面跟的参数变化,等于(页数-1)*25。

  有了这个规律,我们就很容易解决翻页问题了,只需要定义变量按照网页变化的规律去循环即可。

2.内容分析

爬取豆瓣TOP250电影信息+存储为Excel格式
  对第一页网站观察其实不难发现所有的这一页电影信息都存在了<li>标签下,以第一部电影(肖申克的救赎)为例,为例方便观察我把关于这一部电影的有关信息源码复制了下来

<li>
            <div class="item">
                <div class="pic">
                    <em class="">1</em>
                    <a href="https://movie.douban.com/subject/1292052/">
                        <img width="100" alt="肖申克的救赎" src="https://img2.doubanio.com/view/photo/s_ratio_poster/public/p480747492.webp" class="">
                    </a>
                </div>
                <div class="info">
                    <div class="hd">
                        <a href="https://movie.douban.com/subject/1292052/" class="">
                            <span class="title">肖申克的救赎</span>
                                    <span class="title">&nbsp;/&nbsp;The Shawshank Redemption</span>
                                <span class="other">&nbsp;/&nbsp;月黑高飞(港)  /  刺激1995(台)</span>
                        </a>


                            <span class="playable">[可播放]</span>
                    </div>
                    <div class="bd">
                        <p class="">
                            导演: 弗兰克·德拉邦特 Frank Darabont&nbsp;&nbsp;&nbsp;主演: 蒂姆·罗宾斯 Tim Robbins /...<br>
                            1994&nbsp;/&nbsp;美国&nbsp;/&nbsp;犯罪 剧情
                        </p>

                        
                        <div class="star">
                                <span class="rating5-t"></span>
                                <span class="rating_num" property="v:average">9.7</span>
                                <span property="v:best" content="10.0"></span>
                                <span>2186881人评价</span>
                        </div>

                            <p class="quote">
                                <span class="inq">希望让人自由。</span>
                            </p>
                    </div>
                </div>
            </div>
        </li>

我们发现所有的信息都在一个<div>标签下,并且标签的属性名是item,这就很简单了,我们可以用find_all方法去遍历所有的class="item"就能拿到每一步电影的所有信息,然后再用正则表达式去提取我们想要的信息放到列表中即可。以上就是一些核心的思路,光说没什么意思,下面我们来具体看代码。

三、具体步骤

1.用到的库

import os
from bs4 import BeautifulSoup #网页解析,获取数据
import re
import  xlwt #进行excel操作
import urllib.request,urllib.error  #指定url,获取网页数据

2.提取信息的正则表达式

#影片详情链接规则
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)r表示忽视特殊符号避免需要重新转义
#影片图片的链接
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)#re.S表示让换行符包含在字符中
#影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#评价人数
findJudge = re.compile(r'<span>(d*)人评价</span>')
#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)

这里我将用到的正则表达式直接给出,大家可以对照上面贴出来的html代码一一对应,还有问题的话评论私信我都可以~

3.得到指定的url网页内容

#得到指定一个url的网页内容
def askURL(url):
    request = urllib.request.Request(url, headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)#打印错误信息
        if hasattr(e, "reason"):
            print(e.reason)#打印错误原因
    return html

将获取指定的url功能封装成函数主要是为了方便我们后边对每一个网页中的内容提取更加方便。

4.提取内容

  利用第二步制定好的正则表达式规则,提取网页标签内我们想要的所有信息。

for i in range(0,10):
    url = baseurl + str(i*25)
    html = askURL(url) #保存获取到的网页源码
    #逐一解析数据
    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,class加下划线表示属性值
        data = [] #保存一部电影的所有信息
        item = str(item) #将item转换为字符串
        #影片详情链接
        link = re.findall(findLink, item)[0]
        #追加内容到列表
        data.append(link)

        imgSrc = re.findall(findImgSrc, item)[0]
        data.append(imgSrc)

        titles = re.findall(findTitle, item)
        if (len(titles) == 2 ):
            ctitle = titles[0]
            data.append(ctitle) #添加中文名
            otitle = titles[1].replace("/", "") #去掉无关符号
            data.append(otitle) #添加外国名
        else:
            data.append(titles[0])
            data.append(' ') #外国名如果没有则留空

        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) #去掉<br/>
        bd = re.sub('/', " ", bd)  # 去掉/
        data.append(bd.strip()) #去掉前后空格

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

5.保存封面图片到本地

  在第四步中我们其实已经获取到了图片的链接就是imgSrc,所以在这里我们直接用urllib的urlretrieve方法来下载并保存在想要的路径。

root = "自己定义"#我的是"E://DoubanPic//"
path = root + str(x) + '.jpg'
try:
    if not os.path.exists(root):
        os.mkdir(root)
    if not os.path.exists(path):
        #r = requests.get(imgSrc, headers=head)
        urllib.request.urlretrieve(imgSrc,path)
        #with open(path, 'wb') as f:
        #   f.write(r.content)
        #   f.close()
        print("下载第%d部电影封面"%(x))
        x += 1
    else:
        print("文件保存成功")
except:
    print("下载失败")

6.信息保存为Excel格式

  这一部分就是对excel文件的操作,调用xlwt库创建一个excel对象,再创建一个sheet表单。在excel中所有的单元格都可以看作是一个二维矩阵,第一行第一列就是(0,0)。定位好单元格的位置,我们用write方法往里面写内容就好了。

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","评价数","概况","相关信息")#定义元组
    try:
        for i in range(0,8):
            sheet.write(0,i,col[i]) #输入列名
        for i in range(0,250):
            print("第%d条" %(i+1))
            data = datalist[i]
            for j in range(0,8):
                sheet.write(i+1,j,data[j])
        book.save(savepath)
    except:
        print("爬取异常")

四、完整代码

'''
需求分析:
    爬取豆瓣top250的基本信息,包括电影的名称、豆瓣评分、评价数、电影概况、电影连接等
    网站链接:https://movie.douban.com/top250
'''

#-*- coding = utf-8 -*-
# 声明编码方式

import os
from bs4 import BeautifulSoup #网页解析,获取数据
import re
import  xlwt #进行excel操作
import urllib.request,urllib.error  #指定url,获取网页数据


def main():
    baseurl = "https://movie.douban.com/top250?start="
    #获取网页
    datalist = getDate(baseurl)
    savepath = "excel保存路径自己定义"#我的是".\豆瓣电影Top250.xls"
    #保存数据
    saveData(datalist, savepath)

head = {
        "User-Agent":"Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 85.0.4183.121Safari / 537.36"
    }#用户代理:表示告诉豆瓣服务器是什么类型的浏览器(本质上是告诉浏览器可接收什么类型的文件)

#影片详情链接规则
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)r表示忽视特殊符号避免需要重新转义
#影片图片的链接
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)#re.S表示让换行符包含在字符中
#影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#评价人数
findJudge = re.compile(r'<span>(d*)人评价</span>')
#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 getDate(baseurl):
    datalist = []
    x = 1
    #调用获取页面信息的函数(10次)
    for i in range(0,10):
        url = baseurl + str(i*25)
        html = askURL(url) #保存获取到的网页源码
        #逐一解析数据
        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,class加下划线表示属性值
            data = [] #保存一部电影的所有信息
            item = str(item) #将item转换为字符串
            #影片详情链接
            link = re.findall(findLink, item)[0]
            #追加内容到列表
            data.append(link)

            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc)

            titles = re.findall(findTitle, item)
            if (len(titles) == 2 ):
                ctitle = titles[0]
                data.append(ctitle) #添加中文名
                otitle = titles[1].replace("/", "") #去掉无关符号
                data.append(otitle) #添加外国名
            else:
                data.append(titles[0])
                data.append(' ') #外国名如果没有则留空

            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) #去掉<br/>
            bd = re.sub('/', " ", bd)  # 去掉/
            data.append(bd.strip()) #去掉前后空格

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

            # 下载图片到本地
            root = "路径自己定义"#我的是"E://DoubanPic//"
            path = root + str(x) + '.jpg'
            try:
                if not os.path.exists(root):
                    os.mkdir(root)
                if not os.path.exists(path):
                    #r = requests.get(imgSrc, headers=head)
                    urllib.request.urlretrieve(imgSrc,path)
                    #with open(path, 'wb') as f:
                    #   f.write(r.content)
                    #   f.close()
                    print("下载第%d部电影封面"%(x))
                    x += 1
                else:
                    print("文件保存成功")
            except:
                print("下载失败")
    return datalist


#得到指定一个url的网页内容
def askURL(url):
    request = urllib.request.Request(url, headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)#打印错误信息
        if hasattr(e, "reason"):
            print(e.reason)#打印错误原因
    return html

#保存数据
def saveData(datalist, savepath):
    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","评价数","概况","相关信息")#定义元组
    try:
        for i in range(0,8):
            sheet.write(0,i,col[i]) #输入列名
        for i in range(0,250):
            print("第%d条" %(i+1))
            data = datalist[i]
            for j in range(0,8):
                sheet.write(i+1,j,data[j])
        book.save(savepath)
    except:
        print("爬取异常")


if __name__ == '__main__':
    main()
    print("爬取完毕")

注:以上代码中的excel保存路径和图片保存路径我都注释掉了,大家可以自己定义,千万不要直接复制源码来用哦,如果不太会定义的话,可以参考后边我注释里的路径

写在最后

  关于图片下载部分,可以用urllib库,也可以使用requests库,urllib库的方法就是我上边给出来的(细心的同学应该能看到),注释的部分就是requests库的方法,下边是代码

root = "路径自己定义"#我的是"E://DoubanPic//"
path = root + str(x) + '.jpg'
try:
    if not os.path.exists(root):
        os.mkdir(root)
    if not os.path.exists(path):
        r = requests.get(imgSrc, headers=head)
        with open(path, 'wb') as f:
        	f.write(r.content)
            f.close()
        print("下载第%d部电影封面"%(x))
        x += 1
    else:
        print("文件保存成功")
except:
    print("下载失败")

小知识点:因为图片是二进制,所以使用了content方法转换为二进制存储,在使用requests库的时候一定记得import requests喔~

  本篇完,如有错误欢迎指出~

ps:如果有任何问题,欢迎评论或者私信我哦~如果本篇能够帮助到你,还希望给一个大大滴赞 :) 


喜欢 (0)