首页 > 其他分享 >爬豆瓣保存到Excel

爬豆瓣保存到Excel

时间:2022-12-23 13:03:34浏览次数:30  
标签:item Excel 保存 compile re 豆瓣 data findall append

import re
import urllib.request, urllib.error
import xlwt
from bs4 import BeautifulSoup

baseurl = "https://movie.douban.com/top250?start="

# 创建电影链接正则表达式对象,表示规则(字符串的模式):以<a href="开头 + 一组(.*?) + 以">结尾
findLink = re.compile(r'<a href="(.*?)">')
# 电影图片链接规则:以<img开头 + 中间匹配多个.* + 以src="开头 + 一组(.*?)", 忽略换行符re.S'
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)
# 电影片名规则:以<span class="title"> + (.*?) + </span>
findTitle = re.compile(r'<span class="title">(.*?)</span>')
# 电影评分规则:<span class="rating_num" property="v:average"> + (.*?) + </span>
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
# 评价人数规则版一:<span> + (.*?) + </span>
# findJudge = re.compile(r'<span>(.*?)</span>')
# 评价人数规则版二:<span> + (.*?) + </span>
findJudge = re.compile(r'<span>(\d*)人评价</span>')
# 概况规则:<span class="inq"> + (.*?) + </span>
findInq = re.compile(r'<span class="inq">(.*?)</span>')
# 相关内容规则:<p class=""> + (.*?) + </p>
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)


def main():
# 获取网页数据
datalist = getData(baseurl)
# 保存数据
savapath = "豆瓣电影Top250.xls"
saveData(datalist, savapath)


def getData(baseurl):
# 定义获取网页数据功能
datalist = []
for i in range(0, 10):
url = baseurl + str(i * 25)
html = askURL(url)
# 逐一解析数据
soup = BeautifulSoup(html, "html.parser")
# 查找符合要求标签是div同时属性class_是item的内容
for item in soup.find_all("div", class_="item"):
# 保存一部电影
data = []
# 电影的所有信息转字符串
item = str(item)
# 电影详情链接
link = re.findall(findLink, item)[0]
data.append(link)
# 图片
img = re.findall(findImgSrc, item)[0]
data.append(img)
# 标题
title = re.findall(findTitle, item)
# 标题判断中英文
if (len(title) == 2):
ctitle = title[0]
data.append(ctitle)
otitle = title[1].replace("/", "")
data.append(otitle)
else:
data.append(title[0])
# 无英文名时用空格填充
data.append(" ")
# 评分数
rating = re.findall(findRating, item)[0]
data.append(rating)
# 评价数
judge = re.findall(findJudge, item)[0]
data.append(judge)
# 概况
inq = re.findall(findInq, item)
# 概况判断是否空
if len(inq) != 0:
inq = inq[0].replace("。", "")
data.append(inq)
else:
data.append(" ")
# 相关内容
bd = re.findall(findBd, item)[0]
# 相关内容替换规则:'<br + 中间包含多个部分(\s+)? + /> + 不止(\s+)?',替换成" ",来着bd
bd = re.sub('<br(\s+)?/>(\s+)?', ' ', bd)
bd = re.sub('/', ' ', bd)
data.append(bd.strip())
datalist.append(data)
return datalist


def saveData(datalist, savapath):
print("开始保存")
# 创建工作表对象样式压缩效果
book = xlwt.Workbook(encoding="utf-8", style_compression=0)
# 创建工作表每个单元格是最新
sheet = book.add_sheet("豆瓣电影Top250", cell_overwrite_ok=True)
# 定义列名
col = ("电影详情链接", "图片链接", "影片中文名", "影片英文名", "评分", "评价数", "概况", "相关内容")
for i in range(0, 8):
# 添加列名
sheet.write(0, i, col[i])
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(savapath)


# 指定url内容
def askURL(baseurl):
# 伪造请求头
headers = {
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36"}
# 封装对象
request = urllib.request.Request(baseurl, headers=headers)
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)
if hasattr(e, "reason"):
print(e.reason)
return html


if __name__ == '__main__':
main()
print("保存成功")

爬豆瓣保存到Excel_数据

 



标签:item,Excel,保存,compile,re,豆瓣,data,findall,append
From: https://blog.51cto.com/u_15920572/5965371

相关文章

  • 42爬取数据并保存至db
    需求:将爬取数据保存到数据库将爬取数据保存为txt文件将txt文件内容生成为词云查看爬取到数据库的数据信息代码如下:importos.pathimportrequestsimportpymysqli......
  • 爬豆瓣保存到sqlite3
    importreimporturllib.request,urllib.errorimportxlwtimportsqlite3frombs4importBeautifulSoup#指定url内容baseurl="https://movie.douban.com/top250?start=......
  • VC 读写Excel (第三方类CSpreadSheet)
    1. 用VC6新建一个基于对话框的项目;2. 添加 CSpreadSheet.h,CSpreadSheet.cpp到项目中;3. 在C*Dlg.h 中添加 : #include "CSpreadSheet.h"4. 添加对应的读写函数5. 读......
  • vue中读取本地Excel文件
    readExcelFileconstXLSX=require('xlsx')constpath="./file/file.xlsx"//放在public目录下的文件可以直接访问axios.get(path,{responseType:'arraybuffer'......
  • 递规之三——完整的科目名称(Excel函数集团)
    使用了递规的Lambda,参数必须是序列数吗?当然不是!来看看这个例子:根据科目代码和科目名称,用公式完成完整的科目名称 自定义的名称是Itm,Itm的参数是Lambda中定义的参数x,......
  • 递规之二(Excel函数集团)
    递规,应该算是个数学问题吧,但它并不只能解决数学问题,还可以解决Excel里的迭代问题。ExcelHome的系列丛书之一,《Excel2019函数与公式应用大全》的第481页示例25-4,就是一个带......
  • 递规之一(Excel函数集团)
    递规,这名词出现在了Excel函数集团,是的,你没看错!但递规在工作表函数里,也不是无限制的用,而是有以下条件:需要Lambda出马需要一个起始开关需要自定义名称先祭一个最简单......
  • 整理总结-.如何使用Jsp提供的变量保存数据?
    以下是我个人简单的总结,希望和大家互相补充交流,有错误也请指出,谢谢~~pageScope:无啥大用,可以放全局变量。话说与其用Java实现全局变量的功能倒不如使用JavaScriptrequestS......
  • GreenOpenPaint的实现(六)图片的保存和打开
    如果只是直接的图片保存和打开,是没有很多内容的。但是我这里,将EXIF的信息融入其中,使得图像处理的结果能够保存下来。这样就非常有价值意义了。所有的操作都放在DOC中进行处......
  • Java 代码打印List中的类到Excel表中
    导出excel1.项目中添加jxl.jar文件:​​​jar包下载地址​​​2.“导出Excel”按钮事件代码JFileChoosersavefile=newJFileChooser();//文件选择对话框FileFi......