1. # -*- codeing = utf-8 -*-
    2. # @Time : 2021/5/27 8:42
    3. # @Author : KN
    4. # @File : damo.py
    5. # @Software : PyCharm
    7. # -*- coding = utf-8 -*-
    8. from bs4 import BeautifulSoup        # 网页解析，获取数据
    9. import re                            # 正则表达式，进行文字匹配
    10. import urllib.request, urllib.error  # 指定url，获取网页数据
    11. import xlwt                          # 进行excel操作
    12. import sqlite3                       # 进行sqlite数据库操作
    14. # 1.爬取网页
    15. # 2.逐一解析数据
    16. # 3.保存数据
    18. def main():
    19.     baseurl = "https://movie.douban.com/top250?start="
    20.     # 1.爬取网页
    21.     datalist = getData(baseurl)
    22.     # savepath = "./"        #当前文件夹
    23.     savepath = ".\\豆瓣电影Top250.xls"  # 文件系统
    24.     # 3.保存数据
    25.     saveData(datalist, savepath)
    28. # 影片详情链接的规则
    29. findLink = re.compile(r'<a href="(.*?)">')  # 创建正则表达式对象，表示规则（字符串模式）
    30. # 影片图片
    31. findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)  # re.S让换行符包含在字符中
    32. # 影片的片名
    33. findTitle = re.compile(r'<span class="title">(.*)</span>')
    34. # 影片的评分
    35. findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
    36. # 评价人数
    37. findJudge = re.compile(r'<span>(\d*)人评价</span>')
    38. # 概况
    39. findInq = re.compile(r'<span class="inq">(.*)</span>')
    40. # 影片的相关内容
    41. findBd = re.compile(r'<p class="">(.*?)</p>', re.S)
    44. # 爬取网页
    45. def getData(baseurl):
    46.     datalist = []
    47.     for i in range(0, 10):  # 调用获取页面信息的函数 10 次
    48.         url = baseurl + str(i * 25)
    49.         html = askURL(url)  # 保存获取到的网页源码
    50.         # print(html)
    51.         # 2.逐一解析数据
    52.         soup = BeautifulSoup(html, "html.parser")
    53.         for item in soup.find_all('div', class_="item"):  # 查找符合要求的字符串，形成列表
    54.             # print(item)
    55.             data = []  # 保存一部电影的所有信息
    56.             item = str(item)
    57.             # 获取影片的超链接
    58.             link = re.findall(findLink, item)[0]  # re库用来通过正则表达式查找指定字符串
    59.             # print(link)                                    #[0]表示只要可能的多个匹配对象的第一个
    60.             data.append(link)  # 添加链接
    61.             imgsrc = re.findall(findImgSrc, item)[0]
    62.             data.append(imgsrc)
    64.             titles = re.findall(findTitle, item)  # p片名可能只有一个中文名，没有外国名
    65.             if (len(titles) == 2):
    66.                 ctitle = titles[0]
    67.                 data.append(ctitle)  # 添加中文名
    68.                 otitle = titles[1].replace("/", "")  # 去掉无关符号/
    69.                 data.append(otitle)  # 添加外国名
    70.             else:
    71.                 data.append(titles[0])
    72.                 data.append(' ')  # 外国名留空
    74.             rating = re.findall(findRating, item)[0]
    75.             data.append(rating)
    77.             judgeNum = re.findall(findJudge, item)[0]
    78.             data.append(judgeNum)
    80.             inq = re.findall(findInq, item)
    81.             if (len(inq)) != 0:  # 可能为空
    82.                 inq = inq[0].replace("。", "")  # 去掉 。
    83.                 data.append(inq)
    84.             else:
    85.                 data.append(' ')
    87.             bd = re.findall(findBd, item)[0]
    88.             bd = re.sub('<br(\s)+?/(\s+?)', " ", bd)  # 去掉<br/>
    89.             bd = re.sub('/', " ", bd)  # 去掉/
    90.             data.append(bd.strip())  # 去掉前后的空格
    92.             datalist.append(data)  # 把处理好的一部电影信息放入；list
    93.             # print(data)
    95.     return datalist
    98. # 得到指定一个url的网页内容
    99. def askURL(url):
    100.     head = {  # 模拟浏览器头部信息，向豆瓣服务器发送信息
    101.         "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.212 Safari/537.36"
    102.     }
    103.     # 用户代理，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内容）
    104.     request = urllib.request.Request(url, headers=head)
    105.     html = ""
    106.     try:
    107.         response = urllib.request.urlopen(request)
    108.         html = response.read().decode("utf-8")
    109.         # print(html)
    110.     except urllib.error.URLError as e:
    111.         if hasattr(e, "code"):
    112.             print(e.code)
    113.         if hasattr(e, "reason"):
    114.             print(e.reason)
    116.     return html
    119. # 3.保存数据
    120. def saveData(datalist, savepath):
    121.     print('save...')
    122.     book = xlwt.Workbook(encoding="utf-8", style_compression=0)  # 创建workbook对象
    123.     sheet = book.add_sheet('豆瓣电影top250', cell_overwrite_ok=True)  # 创建工作表,可覆盖
    124.     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")
    125.     for i in range(0, 8):
    126.         sheet.write(0, i, col[i])  # 列名
    127.     for i in range(0, 250):
    128.         print("第%d条：" % (i + 1))
    129.         data = datalist[i]
    130.         for j in range(0, 8):
    131.             sheet.write(i + 1, j, data[j])  # 数据
    133.     book.save(savepath)  # 保存
    136. if __name__ == "__main__":  # 当程序执行时
    137.     # 调用函数
    138.     main()
    139.     print("爬取完毕！")

    运行结果：
    image.png
    image.png
    豆瓣电影Top250.xls