鱼C论坛

 找回密码
 立即注册
查看: 1528|回复: 4

[已解决]求爬虫代码:查询豆瓣网站近10年电影的名称、档期数据(截至2020年12月)

[复制链接]
发表于 2021-3-30 14:26:01 | 显示全部楼层 |阅读模式

马上注册,结交更多好友,享用更多功能^_^

您需要 登录 才可以下载或查看,没有账号?立即注册

x
RT    求爬虫代码:查询豆瓣网站近10年电影的名称、档期数据(截至2020年12月)

2010年1月-2020年12月   

最终数据保存在excel中,谢谢大佬们~~~
最佳答案
2021-3-30 17:12:02
# -*- encoding = utf-8 -*-
#@Time : 2020/9/5 11:30
#@Author : XC
#@File : movie_rank.py
#@Software : pycharm

import requests
from bs4 import BeautifulSoup
from lxml import etree
import xlwt
import time
import os


#1,获取一个网页
def gethtml(url):
    try:
        header = {'User-agent': "Mozilla/5.0 (Windows NT 6.3; Win64; x64) "
                                "AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.83 Safari/537.36"
                    }
        html = requests.get(url=url,headers=header)
        html.raise_for_status()
        html.encoding = html.apparent_encoding
        return html.text
    except:
        print("解析异常")

#2,解析多个网页内容,提取要素---用 bs4 和 正则表达式 分析数据
def analysis(baseurl):
    for i in range(page):
        url = baseurl + str(i * 25)
        html = gethtml(url)                  #函数嵌套
        bs = BeautifulSoup(html,"html.parser")

        #找到一个电影的完整的信息
        for item in bs.find_all('div',class_="item"):
            item = str(item)                               #可以直接用xpath解析出所有的item,然后在每个item中解析
            data = []       #一个电影的完整信息
            #构建xpath对象
            demo_item = etree.HTML(item)

            link = demo_item.xpath('//div[@class="hd"]/a/@href')
            data.append(link[0])

            pic = demo_item.xpath('//div[@class="pic"]/a/img/@src')
            data.append(pic[0])

            cname = demo_item.xpath('//div[@class="hd"]/a/span[1]/text()')
            data.append(cname[0])

            oname = demo_item.xpath('//div[@class="hd"]/a/span[2]/text()')     #判断外文名为空
            if len(oname) != 0:
                data.append(oname[0])
            else:
                data.append('')

            inp1 = demo_item.xpath('//div[@class="bd"]/p[1]/text()[1]')      #可能为空
            if len(inp1) != 0:
                inp1[0] = inp1[0].replace(' ','').replace(r'\n','')
                data.append(inp1[0])
            else:
                data.append('')

            inp2 = demo_item.xpath('//div[@class="bd"]/p[1]/text()[2]')       #可能为空
            if len(inp2) != 0:
                inp2[0] = inp2[0].replace(' ', '').replace(r'\n', '')
                data.append(inp2[0])
            else:
                data.append('')

            score = demo_item.xpath('//div[contains(@class,"star")]/span[2]/text()')
            data.append(score[0])

            express = demo_item.xpath('//div[contains(@class,"star")]/span[last()]/text()')
            express[0] = express[0].replace('人评价','')
            data.append(express[0])

            last = demo_item.xpath('//div[@class="bd"]/p[2]/span/text()')      #可能为空
            if len(last) != 0:
                last[0] = last[0].replace('。','')
                data.append(last[0])
            else:
                data.append('')

            yield data        #一部电影的所有的信息

#3,保存
def save(path):
    wb = xlwt.Workbook(encoding='utf-8')
    ws = wb.add_sheet('sheet',cell_overwrite_ok=True)
    num = 1
    col = ['链接','图片','中文名','外文名','概况','类型','评分','评价数','介绍']
    for i in range(9):
        ws.write(0,i,col[i])    #记录表头

    for each in analysis(baseurl=baseurl):    #实现生成器传值翻页处理,each表示一个电影的全部信息
        print('开始爬取...')
        for element in each:         #element表示一个电影的各个元素
            print(num,each.index(element),element)
            ws.write(num,each.index(element),element)
            if each.index(element) == 1:
            #     pic_html = gethtml(element)
            #     with open(element[2],'wb') as f:
            #         f.write(pic_html)
            #         f.close()
            #         print('save success! the %d picture' % num )
                putpic(each[2],element)
                print('第 %d 张图片保存成功!' % num )
        num += 1
        wb.save(path)
        print("保存成功 %d 个电影信息" % (num-1) )


"""输出图片"""
def putpic(pic_name, pic_url, root="G://pic//"):  # root为保存文件的位置
    file_name = pic_name
    pic_path = root + file_name + '.jpg'
    try:
        if not os.path.exists(root):
            os.mkdir(root)
        else:
            if not os.path.exists(pic_path):
                response = requests.get(pic_url)
                with open(pic_path, 'wb') as f:
                    f.write(response.content)
                    time.sleep(0.2)
                    f.close()
    except:
        pass

if __name__ == '__main__':
    #init
    baseurl = 'https://movie.douban.com/top250?start='
    page = 1                                          #只有十页豆瓣网页
    save(path='movie_douban_2.xls')


    #实现了从一个网页中打开和爬取多个网页的信息,从一个网页中爬取到主要的列表信息,以及每一信息对应的图片。

运行结果如下图:
QQ图片20210330170643.png
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

发表于 2021-3-30 15:00:20 | 显示全部楼层
偷懒, 坐等别人帮你写。
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

 楼主| 发表于 2021-3-30 15:51:32 | 显示全部楼层
z5560636 发表于 2021-3-30 15:00
偷懒, 坐等别人帮你写。

自己慢慢研究中  哈哈哈
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

发表于 2021-3-30 17:12:02 | 显示全部楼层    本楼为最佳答案   
# -*- encoding = utf-8 -*-
#@Time : 2020/9/5 11:30
#@Author : XC
#@File : movie_rank.py
#@Software : pycharm

import requests
from bs4 import BeautifulSoup
from lxml import etree
import xlwt
import time
import os


#1,获取一个网页
def gethtml(url):
    try:
        header = {'User-agent': "Mozilla/5.0 (Windows NT 6.3; Win64; x64) "
                                "AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.83 Safari/537.36"
                    }
        html = requests.get(url=url,headers=header)
        html.raise_for_status()
        html.encoding = html.apparent_encoding
        return html.text
    except:
        print("解析异常")

#2,解析多个网页内容,提取要素---用 bs4 和 正则表达式 分析数据
def analysis(baseurl):
    for i in range(page):
        url = baseurl + str(i * 25)
        html = gethtml(url)                  #函数嵌套
        bs = BeautifulSoup(html,"html.parser")

        #找到一个电影的完整的信息
        for item in bs.find_all('div',class_="item"):
            item = str(item)                               #可以直接用xpath解析出所有的item,然后在每个item中解析
            data = []       #一个电影的完整信息
            #构建xpath对象
            demo_item = etree.HTML(item)

            link = demo_item.xpath('//div[@class="hd"]/a/@href')
            data.append(link[0])

            pic = demo_item.xpath('//div[@class="pic"]/a/img/@src')
            data.append(pic[0])

            cname = demo_item.xpath('//div[@class="hd"]/a/span[1]/text()')
            data.append(cname[0])

            oname = demo_item.xpath('//div[@class="hd"]/a/span[2]/text()')     #判断外文名为空
            if len(oname) != 0:
                data.append(oname[0])
            else:
                data.append('')

            inp1 = demo_item.xpath('//div[@class="bd"]/p[1]/text()[1]')      #可能为空
            if len(inp1) != 0:
                inp1[0] = inp1[0].replace(' ','').replace(r'\n','')
                data.append(inp1[0])
            else:
                data.append('')

            inp2 = demo_item.xpath('//div[@class="bd"]/p[1]/text()[2]')       #可能为空
            if len(inp2) != 0:
                inp2[0] = inp2[0].replace(' ', '').replace(r'\n', '')
                data.append(inp2[0])
            else:
                data.append('')

            score = demo_item.xpath('//div[contains(@class,"star")]/span[2]/text()')
            data.append(score[0])

            express = demo_item.xpath('//div[contains(@class,"star")]/span[last()]/text()')
            express[0] = express[0].replace('人评价','')
            data.append(express[0])

            last = demo_item.xpath('//div[@class="bd"]/p[2]/span/text()')      #可能为空
            if len(last) != 0:
                last[0] = last[0].replace('。','')
                data.append(last[0])
            else:
                data.append('')

            yield data        #一部电影的所有的信息

#3,保存
def save(path):
    wb = xlwt.Workbook(encoding='utf-8')
    ws = wb.add_sheet('sheet',cell_overwrite_ok=True)
    num = 1
    col = ['链接','图片','中文名','外文名','概况','类型','评分','评价数','介绍']
    for i in range(9):
        ws.write(0,i,col[i])    #记录表头

    for each in analysis(baseurl=baseurl):    #实现生成器传值翻页处理,each表示一个电影的全部信息
        print('开始爬取...')
        for element in each:         #element表示一个电影的各个元素
            print(num,each.index(element),element)
            ws.write(num,each.index(element),element)
            if each.index(element) == 1:
            #     pic_html = gethtml(element)
            #     with open(element[2],'wb') as f:
            #         f.write(pic_html)
            #         f.close()
            #         print('save success! the %d picture' % num )
                putpic(each[2],element)
                print('第 %d 张图片保存成功!' % num )
        num += 1
        wb.save(path)
        print("保存成功 %d 个电影信息" % (num-1) )


"""输出图片"""
def putpic(pic_name, pic_url, root="G://pic//"):  # root为保存文件的位置
    file_name = pic_name
    pic_path = root + file_name + '.jpg'
    try:
        if not os.path.exists(root):
            os.mkdir(root)
        else:
            if not os.path.exists(pic_path):
                response = requests.get(pic_url)
                with open(pic_path, 'wb') as f:
                    f.write(response.content)
                    time.sleep(0.2)
                    f.close()
    except:
        pass

if __name__ == '__main__':
    #init
    baseurl = 'https://movie.douban.com/top250?start='
    page = 1                                          #只有十页豆瓣网页
    save(path='movie_douban_2.xls')


    #实现了从一个网页中打开和爬取多个网页的信息,从一个网页中爬取到主要的列表信息,以及每一信息对应的图片。

运行结果如下图:
QQ图片20210330170643.png
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

发表于 2021-3-30 21:21:45 | 显示全部楼层
6666
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

小黑屋|手机版|Archiver|鱼C工作室 ( 粤ICP备18085999号-1 | 粤公网安备 44051102000585号)

GMT+8, 2025-1-16 04:53

Powered by Discuz! X3.4

© 2001-2023 Discuz! Team.

快速回复 返回顶部 返回列表