代碼如下

from bs4 import BeautifulSoup #網頁解析，獲取數據import sys #正則表達式，進行文字匹配import reimport urllib.request,urllib.error #指定url，獲取網頁數據import xlwt #使用表格import sqlite3import lxml

以上是引用的庫，引用庫的方法很簡單，直接上圖：

上面第一步算有了，下面分模塊來，步驟算第二步來：

這個放在開頭

def main(): baseurl ='https://movie.douban.com/top250?start=' datalist = getData(baseurl) savepath=(’douban.xls’) saveData(datalist,savepath)

這個放在末尾

if __name__ == ’__main__’:main()

不難看出這是主函數，里面的話是對子函數的調用，下面是第三個步驟：子函數的代碼

對網頁正則表達提取（放在主函數的后面就可以）

findLink = re.compile(r’<a href='http://www.lshqa.cn/bcjs/(.*?)' rel='external nofollow' rel='external nofollow' >’) #創建正則表達式對象，表示規則（字符串的模式）#影片圖片findImg = re.compile(r’<img.*src='http://www.lshqa.cn/bcjs/(.*?)' />’,re.S)#re.S取消換行符#影片片面findtitle= re.compile(r’<span class='title'>(.*?)</span>’)#影片評分fileRating = re.compile(r’<span property='v:average'>(.*?)</span>’)#找到評價的人數findJudge = re.compile(r’<span>(d*)人評價</span>’)#找到概識findInq =re.compile(r’<span class='inq'>(.*?)</span>’)#找到影片的相關內容findBd = re.compile(r’<p class=''>(.*?)</p>’,re.S)

爬數據核心函數

def getData(baseurl): datalist=[] for i in range(0,10):#調用獲取頁面的函數10次 url = baseurl + str(i*25) html = askURl(url) #逐一解析 soup = BeautifulSoup(html,'html.parser') for item in soup.find_all(’div’,class_='item'): #print(item) data=[] item = str(item) link = re.findall(findLink,item)[0] #re庫用來通過正則表達式查找指定的字符串 data.append(link) titles =re.findall(findtitle,item) if(len(titles)==2):ctitle=titles[0].replace(’xa0’,'')data.append(ctitle)#添加中文名otitle = titles[1].replace('xa0/xa0Perfume:','')data.append(otitle)#添加外國名 else:data.append(titles[0])data.append(’ ’)#外國名字留空 imgSrc = re.findall(findImg,item)[0] data.append(imgSrc) rating=re.findall(fileRating,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(’xa0’,' ',bd) data.append(bd.strip()) #去掉前后的空格 datalist.append(data) #把處理好的一部電影信息放入datalist return datalist

獲取指定網頁內容

def askURl(url): head = { 'User-Agent': 'Mozilla / 5.0(Windows NT 10.0;WOW64) Apple' +'WebKit / 537.36(KHTML, likeGecko) Chrome / 78.0.3904.108 Safari / 537.36' }#告訴豆瓣我們是瀏覽器我們可以接受什么水平的內容 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

將爬下來的數據保存到表格中

ef saveData(datalist,savepath): print('保存中。。。') book = xlwt.Workbook(encoding='utf-8',style_compression=0) # 創建workbook對象 sheet = book.add_sheet(’douban’,cell_overwrite_ok=True) #創建工作表 cell_overwrite_ok表示直接覆蓋 col = ('電影詳情鏈接','影片中文網','影片外國名','圖片鏈接','評分','評價數','概況','相關信息') for i in range(0,8): sheet.write(0,i,col[i]) for i in range(0,250): print('第%d條' %(i+1)) data = datalist[i] for j in range(0,8): sheet.write(i+1,j,data[j]) book.save(savepath)

以上就是整個爬數據的整個程序，這僅僅是一個非常簡單的爬取，如果想要爬更難的網頁需要實時分析

整個程序代碼

from bs4 import BeautifulSoup #網頁解析，獲取數據import sys #正則表達式，進行文字匹配import reimport urllib.request,urllib.error #指定url，獲取網頁數據import xlwt #使用表格import sqlite3import lxml def main(): baseurl ='https://movie.douban.com/top250?start=' datalist = getData(baseurl) savepath=(’douban.xls’) saveData(datalist,savepath)#影片播放鏈接findLink = re.compile(r’<a href='http://www.lshqa.cn/bcjs/(.*?)' rel='external nofollow' rel='external nofollow' >’) #創建正則表達式對象，表示規則（字符串的模式）#影片圖片findImg = re.compile(r’<img.*src='http://www.lshqa.cn/bcjs/(.*?)' />’,re.S)#re.S取消換行符#影片片面findtitle= re.compile(r’<span class='title'>(.*?)</span>’)#影片評分fileRating = re.compile(r’<span property='v:average'>(.*?)</span>’)#找到評價的人數findJudge = re.compile(r’<span>(d*)人評價</span>’)#找到概識findInq =re.compile(r’<span class='inq'>(.*?)</span>’)#找到影片的相關內容findBd = re.compile(r’<p class=''>(.*?)</p>’,re.S) def getData(baseurl): datalist=[] for i in range(0,10):#調用獲取頁面的函數10次 url = baseurl + str(i*25) html = askURl(url) #逐一解析 soup = BeautifulSoup(html,'html.parser') for item in soup.find_all(’div’,class_='item'): #print(item) data=[] item = str(item) link = re.findall(findLink,item)[0] #re庫用來通過正則表達式查找指定的字符串 data.append(link) titles =re.findall(findtitle,item) if(len(titles)==2):ctitle=titles[0].replace(’xa0’,'')data.append(ctitle)#添加中文名otitle = titles[1].replace('xa0/xa0Perfume:','')data.append(otitle)#添加外國名 else:data.append(titles[0])data.append(’ ’)#外國名字留空 imgSrc = re.findall(findImg,item)[0] data.append(imgSrc) rating=re.findall(fileRating,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(’xa0’,' ',bd) data.append(bd.strip()) #去掉前后的空格 datalist.append(data) #把處理好的一部電影信息放入datalist return datalist #得到指定一個url的網頁內容def askURl(url): head = { 'User-Agent': 'Mozilla / 5.0(Windows NT 10.0;WOW64) Apple' +'WebKit / 537.36(KHTML, likeGecko) Chrome / 78.0.3904.108 Safari / 537.36' }#告訴豆瓣我們是瀏覽器我們可以接受什么水平的內容 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 def saveData(datalist,savepath): print('保存中。。。') book = xlwt.Workbook(encoding='utf-8',style_compression=0) # 創建workbook對象 sheet = book.add_sheet(’douban’,cell_overwrite_ok=True) #創建工作表 cell_overwrite_ok表示直接覆蓋 col = ('電影詳情鏈接','影片中文網','影片外國名','圖片鏈接','評分','評價數','概況','相關信息') for i in range(0,8): sheet.write(0,i,col[i]) for i in range(0,250): print('第%d條' %(i+1)) data = datalist[i] for j in range(0,8): sheet.write(i+1,j,data[j]) book.save(savepath) if __name__ == ’__main__’: main()

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持好吧啦網。