项目实践：爬取豆瓣电影TOP250-零基础

任务介绍：爬取豆瓣电影TOP250的基本信息，包括名称、评分、评价数、链接、简介等。
基本流程：

1. 准备工作
2. 获取数据
3. 解析内容
4. 保存数据

1. 准备工作：
step1.对豆瓣网址URL进行分析。

• 豆瓣电影一共分为10页，每页25条；
• URL的不同之处在于 最后start=（页数-1）*25，如从第二页开始的话，start=25

step2.在Python中引入爬虫常用模组。

from bs4 import BeautifulSoup  # 网页解析获取数据
import re   # 正则表达式，文字匹配
import urllib.request,urllib.error  # 制定URL，获取网页数据
import xlwt   # 进行Excel操作

2. 获取数据。
step1：主程序
主程序相关函数分为两部分 ①定义 ②执行（如图所示）
主程序即为语句执行时的大框架（提纲），需要对其中的函数进行定义
就本例而言，需要拓展定义的函数有
①askURL-访问网址获取 ②getdata(askURL)-解析数据 ③savedata(datalist,savepath)-保存数据

# 对主程序的定义
def main():   # 主程序运行
    print("开始爬取……")
    baseurl = "https://movie.douban.com/top250?start="    # 基础网址
    # 1.爬取网页
    datalist = getdata(baseurl)      #（执行定义的getdata函数）
    savepath = "豆瓣电影TOP250.xls"
    # 2.解析数据
    # 3.保存数据
    savedata(datalist,savepath)   # 把数据保存到路径
#  ……中间部分为主程序中涉及的其他函数的定义……
# 主程序调用——执行
if __name__ == '__main__':  # 当程序执行时
    main()                  # 调用函数
    print("爬取完毕")

step2：访问申请
Python一般使用urllib2库获取数据
打开开发者模式（键盘按下F12）点击 Network （网络），然后刷新界面。点击第一条，在消息头最后一行为用户代理信息。（如图）

代码实现：
对于每一个页面，调用askURL函数获取页面内容。

• 定义获取页面的函数askURL，传入URL参数：”https://movie.douban.com/top250?start=“
• urllib2.Request生成请求；urllib2.urlopen发送请求获取响应；urllib2.read获取页面内容
• 在访问页面经常会出现错误，未来程序正常运行，加入异常捕获 try…except…语句

主要包括：①模拟头部信息 ②发送请求 ③异常捕获 try…except…

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 10.0; Win64; x64; rv:101.0) Gecko/20100101 Firefox/101.0"
    }
                    # 用户代理：告诉豆瓣服务器我们是什么类型的机器·浏览器（本质上我们可以接受什么水平的内容）
    request = urllib.request.Request(url,headers=head)    # request：发送请求
    html = ""
    try:
        response = urllib.request.urlopen(request)    # urlopen：发送请求，取得响应
        html = response.read().decode("utf-8")       # read：获取网页内容；UTF-8是一种编码格式，一个字节包含8个比特。
        #print(html)
    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)
    return html     #

step3. 爬取网页
在主程序中已经定义基础网址baseURL，通过for循环，在baseURL上加码，可重复执行askURL函数（不断进行访问申请以及保存网页编码-html）

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)  # 保存获取到的网页编码（执行定义的askURL函数）
# ……中间一系列数据解析……
    print(datalist)    # 测试查看电影提取信息-OK
    return datalist

3.数据解析
在上文2.3提及的for循环内部，对获取的每个网页逐一解析。
step1. 逐一爬取网页存档soup，使用BeautifulSoup定位特定的标签位置
通过 BeautifulSoup(html, ‘html.parser’) 函数完成。

注意：前一个参数html是被解析的网页对象，后一个参数是解析器名称，我们用 html.parser 这个解析器进行解析，并将解析结果赋值给 soup 对象。此时 soup 存放的是一整个网页的内容，里面有25个电影的信息。所以我们还需要再嵌套一个循环，将25个电影逐一进行爬取。

# 2.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(每一个影片)，形成列表(注意class下面下划线)
            #print(item)   # 测试查看电影全部信息-OK
            data = []    # 保存一部电影的全部信息
            item = str(item)

BeautifulSoup 模块就是将 html 网页内容转化成一个复杂的树形结构。主要有以下四种： Tag 标签及其内容 Navigablestring #标签里的内容,字符串 BeautifulSoup #输出整个文档 comment #特殊的Navigablestring，输出的内容不包含注释符号

step2. 逐一获取想要的标签，使用正则表达式找到具体的内容
当你打开浏览器的开发者模式后，点击小箭头，然后点击你想定位的内容，就能定位到相关标签。

使用正则表达式找到具体的内容
①在主函数定义下，创建正则表达式对象表示规则：

# 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（字符串的形式）;r表示忽视所有的特殊符号
# 影片图片                                         # (.*?)表示引号里面任意形式
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)    # re.s让换行符包含在字符中
findTitle = re.compile(r'<span class="title">(.*?)</span>')   # 影片片名
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')    # 影片评分
findJudge = re.compile(r'<span>(\d*)(.*?)</span>')   # 评价人数
findInq = re.compile(r'<span class="inq">(.*?)</span>')   # 一句话评价
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)    # 简介-忽视换行符

② 在3.1的soup后的for循环下，给data列表逐一赋值
——获取影片详情的链接

        #名字
        Titles = re.findall(findTitle, item)   # 片名可能只有一个中文名了，没有外文名
        if(len(Titles) == 2 ):
            ctitle = Titles[0]
            data.append(ctitle)    # 添加中文名
            otitle = Titles[1].replace("/","")  # 去掉无关的负号
            otitle = Titles[1].replace('\xa0/\xa0', '')
            data.append(otitle)    # 添加外国名
        else:
            data.append(Titles[0])
            data.append(" ")     # 外国名字留空

 ——影片评分

        Rating = re.findall(findRating, item)[0]
        data.append(Rating)
        JudgeNum = re.findall(findJudge, item)[0]
        data.append(JudgeNum)

  ——影片一句话评价

        Rating = re.findall(findRating, item)[0]
        data.append(Rating)
        JudgeNum = re.findall(findJudge, item)[0]
        data.append(JudgeNum)

 ——影片简介

        Bd = re.findall(findBd, item)[0]
        Bd = re.sub('<br(\s+)?/>(\s+)?'," ",Bd)    # 去掉<br/>:了解正则表达式的含义
        Bd = re.sub('/', " ", Bd)                  # 去掉/线
        Bd = re.sub('\xa0', " ", Bd)
        data.append(Bd.strip())                    # 去掉前后的空格

③ 将处理好的一部电影信息输入datalist

       datalist.append(data)                 #将处理好的一部电影信息输入datalist

1. 保存数据到Excel

step1. 创建Excel

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250',cell_overwrite_ok = True)    # 创建表单

step2. 在表中输入标题

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")
for i in range(0,8):
    sheet.write(0,i,col[i]) # 列名

step3. 在表中输入之前爬取的数据（for循环）

for i in range(0,250):
    print("第%d条" %i)    #放入打印的条数
    data = datalist[i]
    for j in range(0,8):
        sheet.write(i+1,j,data[j])   # 数据

step4. 保存文件

  book.save('豆瓣电影TOP250.xls')  # 保存数据表

5.完整代码复现

from bs4 import BeautifulSoup  # 网页解析获取数据
import re   # 正则表达式，文字匹配
import urllib.request,urllib.error  # 制定URL，获取网页数据
import xlwt   # 进行Excel操作
import sqlite3  # 进行sqlite操作
def main():   # 主程序运行
    print("开始爬取……")
    baseurl = "https://movie.douban.com/top250?start="    # 基础网址
    # 1.爬取网页
    datalist = getdata(baseurl)      #（执行定义的getdata函数）
    savepath = "豆瓣电影TOP250.xls"
    # 2.解析数据
    # 3.保存数据
    savedata(datalist,savepath)   # 把数据保存到路径
    #askurl("https://movie.douban.com/top250?start=")  # 测试爬取第一页数据
# 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（字符串的形式）;r表示忽视所有的特殊符号
# 影片图片                                         # (.*?)表示引号里面任意形式
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)    # re.s让换行符包含在字符中
findTitle = re.compile(r'<span class="title">(.*?)</span>')   # 影片片名
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')    # 影片评分
findJudge = re.compile(r'<span>(\d*)(.*?)</span>')   # 评价人数
findInq = re.compile(r'<span class="inq">(.*?)</span>')   # 一句话评价
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)    # 简介-忽视换行符
# 1.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)  # 保存获取到的网页编码（执行定义的askURL函数）
    # 2.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(每一个影片)，形成列表(注意class下面下划线)
            #print(item)   # 测试查看电影全部信息-OK
            data = []    # 保存一部电影的全部信息
            item = str(item)
            # 获取影片详情的连接
            link = re.findall(findLink,item)[0]     # re库用来通过正则表达式查找指定的字符
            data.append(link)
            imgSrc = re.findall(findImgSrc,item)[0]  # 图片链接
            data.append(imgSrc)
            #名字
            Titles = re.findall(findTitle, item)   # 片名可能只有一个中文名了，没有外文名
            if(len(Titles) == 2 ):
                ctitle = Titles[0]
                data.append(ctitle)    # 添加中文名
                otitle = Titles[1].replace("/","")  # 去掉无关的负号
                otitle = Titles[1].replace('\xa0/\xa0', '')
                data.append(otitle)    # 添加外国名
            else:
                data.append(Titles[0])
                data.append(" ")     # 外国名字留空
            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(".","")     # 去掉句号
               data.append(Inq)
            else:
               data.append("  ")
            Bd = re.findall(findBd, item)[0]
            Bd = re.sub('<br(\s+)?/>(\s+)?'," ",Bd)    # 去掉<br/>:了解正则表达式的含义
            Bd = re.sub('/', " ", Bd)                  # 去掉/线
            Bd = re.sub('\xa0', " ", Bd)
            data.append(Bd.strip())                    # 去掉前后的空格
            datalist.append(data)                 #将处理好的一部电影信息输入datalist
    print(datalist)    # 测试查看电影提取信息-OK
    return datalist
# 得到指定一个URL的网页内容；利用askURL函数调取网页内容
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 10.0; Win64; x64; rv:101.0) Gecko/20100101 Firefox/101.0"
    }
                    # 用户代理：告诉豆瓣服务器我们是什么类型的机器·浏览器（本质上我们可以接受什么水平的内容）
    request = urllib.request.Request(url,headers=head)    # request：发送请求
    html = ""
    try:
        response = urllib.request.urlopen(request)    # urlopen：发送请求，取得响应
        html = response.read().decode("utf-8")       # read：获取网页内容；UTF-8是一种编码格式，一个字节包含8个比特。
        #print(html)
    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)
    return html     #
# 3.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250',cell_overwrite_ok = True)    # 创建表单
    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")
    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)    #放入打印的条数
        data = datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])   # 数据
    book.save('豆瓣电影TOP250.xls')  # 保存数据表
if __name__ == '__main__':  # 当程序执行时
# 调用函数
    main()
    print("爬取完毕")