爬取了豆瓣电影TOP250

主要思路是先通过bs4库解析网页源码
再通过urllib库指定url，获取网页数据，爬取网页
同时使用正则表达式找到需要查找的对应的关键字，进行爬取到列表
最后使用xlwt库将其内容写入excel表格中

上源码：

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  # 制定URL，获取网页数据
import xlwt  # 进行excel操作
import sqlite3  # 进行SQLite数据库操作

# 引入第三方模块

# 正则表达式规则
# 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目标是规则（字符串模式）
# 获取影片图片规则
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)  # re.S是忽略换行符
# 获取影片片名
findName = re.compile(r'<span class="title">(.*?)</span>', re.S)
# 获取影片评分
findScore = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
# 获取评价人数
findJudge = re.compile(r'<span>(.*?)</span>')
# 获取概况
findInq = re.compile(r'<span class="inq">(.*?)</span>')
# 获取影片的相关内容
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)


def main():
    baseurl = "https://movie.douban.com/top250?start=0"
    savepath = "./豆瓣电影Top250.xls"
    # 1.爬取网页并解析数据
    datalist = getData(baseurl)

    # 2.保存数据
    saveData(savepath, datalist)


# 得到指定一个URL的网页内容
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/98.0.4758.80 Safari/537.36 Edg/98.0.1108.43"}
    # 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（本质上是高数浏览器，我们可以接收什么水平的消息）
    request = urllib.request.Request(url=url, headers=head)
    html = ""  # 该网页内容源码
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
    # print(html)    #打印网页
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    return html


# 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，一页25条
        url = baseurl + str(i * 25)
        # print(url)
        html = askURL(url)

        # 2.逐一
        # 解析数据
        soup = BeautifulSoup(html, "html.parser")  # 对html解析形成树形结构
        for item in soup.find_all('div', class_="item"):  # 查找符合的字符串，形成列表,class要加下划线表示属性
            print("正在获取信息......")
            # print(item)#打印测试:查看电影item全部信息
            data = []  # 该列表保存一部电影全部信息
            item = str(item)
            # 通过正则表达式获取内容

            # 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，0表示只要第一个链接
            data.append(link)
            # print(link)
            # 获取影片图片
            image = re.findall(findImgSrc, item)[0]
            data.append(image)
            # print(image)
            # 获取影片名字
            name = re.findall(findName, item)
            if (len(name) == 2):
                cname = name[0]
                data.append(cname)
                oname = name[1].replace("/", "")
                data.append(oname)
            else:
                data.append(name)
                data.append(' ')  # 留空
            # print(name)
            # 获取影片评分
            score = re.findall(findScore, item)[0]
            data.append(score)
            # print(score)
            # 获取评价人数
            judgenum = re.findall(findJudge, item)[0]
            data.append(judgenum)
            # print(judgenum)
            # 获取概况
            inq = re.findall(findInq, item)
            if len(inq) != 0:
                inq = inq[0].replace("。", "")  # 去掉句号
                data.append(inq)
            else:
                data.append(" ")  # 留空
            # print(inq)

            # 获取影片的相关内容
            bd = re.findall(findBd, item)[0]
            bd = re.sub('<br(\s+)?/>(\s+)?', " ", bd)  # 去掉<br/>
            bd = re.sub('/', " ", bd)
            data.append(bd.strip())  # 去掉前后的空格
            # print(bd)

            dataList.append(data)
    print(dataList)
    return dataList


# 保存数据
def saveData(savepath, datalist):
    print("saveing/正在保存到excel文档......")
    xl = xlwt.Workbook(encoding="utf-8")
    worksheet = xl.add_sheet('豆瓣电影Top250')
    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):
        worksheet.write(0, i, col[i])  # 列明
    for i in range(0, 250):
        print("正在写入第%d条" % i)
        data = datalist[i]
        for j in range(0, 8):
            worksheet.write(i + 1, j, data[j])

    xl.save("豆瓣电影top250.xls")  # 保存
    print("")
    print("写入完成！！！")


# 保证单一入口
if __name__ == "__main__":  # 当程序执行时
    # 调用函数
    main()

打包下载 注意:来源于网络，仅供学习使用