文章目录

前言一、urllib二、requests总结

前言

开始使用urllib模块爬的豆瓣top250感觉太多了，跟着视频做还是由很多看不懂

后来在另外一个视频里找到了一样的项目但是使用requests模块做的感觉代码简单好多主要是返回的数据格式很好不用再取优化，省了很多功夫。

一、urllib

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def main():baseurl = "/top250?start=" # 每一个网页的url都是有规律的# 1.爬取网页并逐个页面解析datalist = getData(baseurl)# 2.保存数据sava_path = "豆瓣电影Top250.xls"saveData(datalist, sava_path)# 影片详情链接的抽象特征（正则匹配）# .*:贪婪匹配（匹配所有字符） .*?:惰性匹配（匹配到了一个字符就不匹配了）# 括号是匹配到一个后，把括号里面的东西拿出来findLink = pile(r'<a href="(.*?)">') # 创建正则表达式对象，表示规则（字符串的模式）模糊查找的抽象特征# 影片图片findImgSrc = pile(r'<img.*src="(.*?)"', re.S) # 让换行符包含在里面# 影片名findTitle = pile(r'<span class="title">(.*)</span>')# 评分findRating = pile(r'<span class="rating_num" property="v:average">(.*)</span>')# 评价人数findJudge = pile(r'<span>(\d*)人评价</span>')# 找到概况findInq = pile(r'<span class="inq">(.*)</span>')# 找到影片的相关内容findBd = pile(r'<p class="">(.*?)</p>', re.S)# 爬取网页def getData(baseurl):datalist = []for i in range(0, 10): # 左闭右开，拿到250条所有页面url = baseurl + str(i*25)html = askURL(url) # 保存获取到的网页# 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形成列表,加个下划线表示属性data = [] # 保存一部电影的所有信息item = str(item) # 转换为字符串进行进一步筛选link = re.findall(findLink, item)[0] # re库用来通过正则表达式来查找指定的字符串data.append(link) # 添加详情链接ImgSrc = re.findall(findImgSrc, item)[0]data.append(ImgSrc) # 添加图片titles = re.findall(findTitle, item) # 片名可能只有中文名，没有外国名if(len(titles) == 2):ctitle = titles[0]data.append(ctitle)otitle = titles[1].replace("/", "").replace("\xa0", "") # 去掉两种无关符号data.append(otitle) # 添加外国名else:data.append(titles[0])data.append(' ') # 没有外国名就留空rating = re.findall(findRating, item)[0]data.append(rating) # 添加评分judgeNum = re.findall(findJudge, item)[0]data.append(judgeNum) # 添加评价人数inq = re.findall(findInq, item)if len(inq) != 0:inq = inq[0].replace("。", "") # 去掉句号data.append(inq) # 添加概述else:data.append(' ') # 留空bd = re.findall(findBd, item)[0].replace("\xa0", "") # 去掉无关符号bd = re.sub('<br(\s+)?/>(\s+)?', " ", bd) # 去掉<br/>bd = re.sub('/', " ", bd) # 替换/data.append(bd.strip()) # 去掉前后的空格datalist.append(data) # 把处理好的一部电影信息放入datalist# print(datalist)return 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, likeGecko) Chrome / 103.0.0.0Safari / 537.36"} # 用户代理，表示告诉豆瓣服务器，我们是什么样机器，能接受什么样的信息request = urllib.request.Request(url, headers=head) # 封装好的请求对象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.保存数据def saveData(datalist, sava_path):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) # 创建工作表col = ("电影详情链接", "图片链接", "电影中文名", "电影外国名", "评分", "评分人数", "概述", "相关信息")for i in range(0, 8):sheet.write(0, i, col[i]) # 添加表的列名for j in range(0, 250): # 逐条写入print("第%d条" % j)data = datalist[j] # 每一个元素都是列表for k in range(0, 8):sheet.write(j+1, k, data[k])book.save(sava_path) # 保存if __name__ == "__main__":main()print("爬取完毕！")

二、requests

import requestsimport reimport xlwtdef main():baseurl = "/top250?start=" # 每一个网页的url都是有规律的# 1.爬取网页并逐个页面解析datalist = getData(baseurl)# 2.保存数据sava_path = "豆瓣电影2Top250.xls"saveData(datalist, sava_path)# 联合的正则匹配# obj = pile(r'<span class="title">(?P<name>.*?)</span>', re.S) # 拿到了很多名字，都是一样的标签（太模糊了，所有这个标签的内容都拿了）obj = pile(r'<li>.*?<div class="item">.*?<span class="title">(?P<name>.*?)'r'</span>.*?<p class="">.*?<br>(?P<year>.*?)&nbsp.*?'r'<span class="rating_num" property="v:average">(?P<score>.*?)</span>.*?'r'<span>(?P<number>.*?)人评价</span>', re.S) # 层层向下，内容多一点匹配的越接近# 爬取网页def getData(baseurl):datalist = [] # 储存250部的电影信息for i in range(0, 10): # 左闭右开，拿到250条所有页面url = baseurl + str(i * 25) # 字符串凭借可比带参数好多了# 获取到每一个html页面逐个解析html = ask(url)# 开始匹配传过来的网页源代码result = obj.finditer(html)# print(result) # 直接打印就是一个对象而已for it in result:# print(it.group("name"))# print(it.group("year").strip()) # <br>后面的空白页拿过来了，去掉一下# print(it.group("score"))# print(it.group("number"))# 把一部电影信息保存进列表data = []data.append(it.group("name"))data.append(it.group("year").strip())data.append(it.group("score"))data.append(it.group("number"))# print(data) # ok可以存一部电影的信息datalist.append(data) # 解析出一部电影之后保存# print(datalist) # 可以显示保存的电影信息return datalist# 给定一个url访问def ask(url):head = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36"}resp = requests.get(url, headers=head)# print(resp.text) 能拿到由服务器加载的页面目标代码return resp.text # 返回一个网页源代码def saveData(datalist, sava_path):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) # 创建工作表（在同一个文件下，新建的工作表：不行！）col = ("电影名", "年份", "豆瓣评分", "评分人数")for i in range(0, 4):sheet.write(0, i, col[i]) # 添加表的列名for j in range(0, 250): # 逐条写入print("第%d条" % j)data = datalist[j] # 从列表中逐个电影拿出来，写入表格for k in range(0, 4):sheet.write(j + 1, k, data[k])book.save(sava_path) # 保存if __name__ == "__main__":main()print("爬取完毕！")

总结

两者没什么区别代码主要是多在数据处理、爬取页面和解析页面上要注意数据是以什么样的形式返回的保存到表格中不能再同一个路径（文件）下建立两张表格，只能一个文件一张表