python爬虫：利用正则表达式爬取豆瓣读书首页的book

---

1、问题描述：

爬取豆瓣读书首页的图书的名称、链接、作者、出版日期，并将爬取的数据存储到Excel表格Douban_I.xlsx中

2、思路分析:

发送请求--获取数据--解析数据--存储数据

1、目标网址：https://book.douban.com/

2、利用requests.get()方法向豆瓣读书首页发送请求，获取首页的HTML源代码

#目标网址
targetUrl = "https://book.douban.com/"
#发送请求，获取响应
response = requests.get(targetUrl).text

3、利用正则re.findall()解析出想要的信息: Name Url Author Date

#编译成正则表达式对象，便于复用该匹配模式
pattern = re.compile('<li.*?title="(.*?)".*?href="(.*?)".*?more-meta.*?author">(.*?)</span>.*?year">(.*?)</span>.*?</li>', re.S)
results = re.findall(pattern, response)

4、将数据存储到Excel表格中

workBook = xlwt.Workbook(encoding='utf-8') #创建Excel表，并确定编码方式
sheet = workBook.add_sheet("Douban_I")
headData = ["书名", "链接", "作者", "出版日期"]  #表头信息
for colNum in range(len(headData)):
    sheet.write(0, colNum, headData[colNum])
raw = 1
for book in results: #书籍信息：名称、链接、作者、出版日期
    # name, url, author, date = book
    for column in range(len(book)):
        sheet.write(raw, column, book[column].strip())
    raw += 1
workBook.save(".\Douban_I.xlsx")

3、效果展示

4、完整代码：

# -* coding: utf-8 *-
# author: wangshx6
# date: 2018-11-04
# description: 爬取豆瓣读书首页的图书的名称、链接、作者、出版日期，并将爬取的数据存储到Excel表格Douban_I.xlsx中
import requests
import re
import xlwt
#目标网址
targetUrl = "https://book.douban.com/"
#发送请求，获取响应
response = requests.get(targetUrl).text
''' 利用正则表达式解析出关键内容: Name Url Author Date  '''
#re.compile()是将正则字符串编译成正则表达式对象，便于复用该匹配模式
#re.S 多行匹配（换行）
pattern = re.compile('<li.*?title="(.*?)".*?href="(.*?)".*?more-meta.*?author">(.*?)</span>.*?year">(.*?)</span>.*?</li>', re.S)
results = re.findall(pattern, response)
#将数据列表存储到Excel表格Douban_I.xlsx中
workBook = xlwt.Workbook(encoding='utf-8')
sheet = workBook.add_sheet("Douban_I")
headData = ["书名", "链接", "作者", "出版日期"]  #表头
for colNum in range(len(headData)):
    sheet.write(0, colNum, headData[colNum])
raw = 1
for book in results:
    # name, url, author, date = book
    for column in range(len(book)):
        sheet.write(raw, column, book[column].strip())
    raw += 1
workBook.save(".\Douban_I.xlsx")