#https://movie.douban.com/top250
#-*-coding:utf-8-*-
import sys
from bs4 import BeautifulSoup ##网页解析，获取数据
import re ##正则表达式，进行文字匹配
import urllib.request,urllib.error##制作URL，获取网页数据
import xlwt ##进行excel操作
import sqlite3 ##进行sql操作
def main():
baseurl = 'https://movie.douban.com/top250?start='
#1.爬取网页
datalist = getData(baseurl)
# 2.解析数据
#3.存储数据
savepath = ".\豆瓣电影Top250.xls"
saveData(datalist,savepath)
# askURL("https://movie.douban.com/top250?start=0")
#获取影片详情链接规则
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），complie适用大量重复的比对
#<img alt="肖申克的救赎" class="" src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p480747492.jpg" width="100"/>
#获取影片图片的链接
findImgSrc =re.compile(r'<img .*src="(.*?)"',re.S) #re.S 让换行符包含在字符中
#h影片片名
findTile = re.compile(r'<span class="title">(.*?)</span>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
#获取评价人数
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(0,250,25):#这里可以设置步进，即range(0,250,25)，下面就不用乘25
url = baseurl+str(i)#str(i*25)
html = askURL(url)#保存获取到的网页源码
# 2.逐一解析数据
soup = BeautifulSoup(html,"html.parser")
# 查找符合要求的字符串，形成列表
for item in soup.find_all('div',class_='item'): # 查找class是item，且属于div的 ，注意这里的class有下划线
#print(item)#测试：查看电影item全部信息
data = []#存储一部电影的全部信息
item = str(item)
#获取影片详情链接
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
#print(link)
data.append(link)
#获取图片信息
imgSrc = re.findall(findImgSrc,item)[0]
#print(imgSrc)
data.append(imgSrc)
titles = re.findall(findTile,item)#片名可能只有一个中文名，也可能既有外文
if(len(titles)==2):
#添加中文名
ctitle = titles[0]
data.append(ctitle)
#添加外国名
otitle = titles[1].replace('/','')#去掉无关的符号，比如/
data.append(otitle)
else:
data.append(titles[0])
data.append(' ')#留空，给外国名留空
#添加评分
rating = re.findall(findRating,item)[0]
data.append(rating)
#print(rating)
#评价人数
judgeNum = re.findall(findJudge,item)[0]
data.append(judgeNum)
inq = re.findall(findInq,item)
#获得概况
#data.append(inq)
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/>
data.append(bd.strip())#去掉前后的空格
datalist.append(data)
#print(datalist)
return datalist
#得到指定一个URL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) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.125 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（本质是告诉浏览器，我们可以接受什么水平的信息）
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
#3.存储数据
def saveData(datalist,savepath):
workbook = xlwt.Workbook(encoding='utf-8',style_compression=0)
worksheet = workbook.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True)#cell_overwrite_ok是否被覆盖
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','概括','相关信息')
for i in range(0,8):
worksheet.write(0,i,col[i])
for i in range(0,250):
print("第 %d 条"%i)
data = datalist[i]
for j in range(0,8):
worksheet.write(i+1,j,data[j])
workbook.save(savepath)
if __name__ == '__main__':##当前程序是主程序
main()
注意项（举例）：
from bs4 import BeautifulSoup
import re
str1 ='''
<span class="title">肖申克的救赎</span>
<span class="title"> / The Shawshank Redemption</span>'''
s =re.compile('<span class="title">(.*?)</span>')#.*?表示匹配任意字符到下一个符合条件的字符
print(re.findall(s,str1))
str = 'aabab'
p = re.compile('a(.*?)b')
print(re.findall(p,str))
使用re.complie（）.findall方式筛选出来的是complie(XX()XX)里面()的内容，并且是将匹配到的所有内容 以 数组形式返回。所以上面的例子匹配到了肖申克的救赎，/ The Shawshank Redemption。
开始不理解.?，以为应该只返回一个值，这里是匹配到了所有的值，比如aabab 这里a（.?）b,能匹配到a，‘’ ，所以返回了两个值。
