python爬虫初探

爬取前50名豆瓣电影:

废话少说,直接上代码!

import re

import requests
from bs4 import BeautifulSoup

def get_content(url,):
   try:
       user_agent = "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.109 Safari/537.36"
       response = requests.get(url,  headers={'User-Agent': user_agent})
       response.raise_for_status()   # 如果返回的状态码不是200, 则抛出异常;
       response.encoding = response.apparent_encoding  # 判断网页的编码格式, 便于respons.text知道如何解码;
   except Exception as e:
       print("爬取错误")
   else:

       print(response.url)
       print("爬取成功!")
       return  response.content

def parser_content(htmlContent):
   # 实例化soup对象, 便于处理;
   soup = BeautifulSoup(htmlContent, 'html.parser')
   # 1). 电影信息存储在ol标签里面的li标签:
   # <ol class="grid_view">
   olObj = soup.find_all('ol', class_='grid_view')[0]

   # 2). 获取每个电影的详细信息, 存储在li标签;
   details = olObj.find_all('li')


   for detail in details:
       # # 3). 获取电影名称;
       movieName = detail.find('span', class_='title').get_text()

       # 4). 电影评分:
       movieScore = detail.find('span', class_='rating_num').get_text()

       # 5). 评价人数***************
       # 必须要转换类型为字符串
       movieCommentNum = str(detail.find(text=re.compile('\d+人评价')))


       # 6). 电影短评
       movieCommentObj = detail.find('span', class_='inq')
       if movieCommentObj:
           movieComment = movieCommentObj.get_text()
       else:
           movieComment = "无短评"

       movieInfo.append((movieName, movieScore, movieCommentNum, movieComment))




import openpyxl


def create_to_excel(wbname, data, sheetname='Sheet1', ):
   """
  将制定的信息保存到新建的excel表格中;

  :param wbname:
  :param data: 往excel中存储的数据;
  :param sheetname:
  :return:
  """

   print("正在创建excel表格%s......" % (wbname))

   # wb = openpyxl.load_workbook(wbname)
   # 如果文件不存在, 自己实例化一个WorkBook的对象;
   wb = openpyxl.Workbook()
   # 获取当前活动工作表的对象
   sheet = wb.active
   # 修改工作表的名称
   sheet.title = sheetname
   # 将数据data写入excel表格中;
   print("正在写入数据........")
   for row, item in enumerate(data):  # data发现有4行数据, item里面有三列数据;
       print(item)
       for column, cellValue in enumerate(item):

           # cell = sheet.cell(row=row + 1, column=column + 1, value=cellValue)
           cell = sheet.cell(row=row+1, column=column + 1)
           cell.value = cellValue

   wb.save(wbname)
   print("保存工作薄%s成功......." % (wbname))


if __name__ == '__main__':
   doubanTopPage = 2
   perPage = 25
   # [(), (), ()]
   movieInfo = []
   # 1, 2, 3 ,4, 5
   for page in range(1, doubanTopPage+1):
       # start的值= (当前页-1)*每页显示的数量(25)
       url = "https://movie.douban.com/top250?start=%s" %((page-1)*perPage)
       content = get_content(url)
       parser_content(content)


   create_to_excel('/tmp/hello.xlsx', movieInfo, sheetname="豆瓣电影信息")

如果你是直接复制粘贴的,那你这里一定会出现一大串儿红字

解决办法:

创建一个tmp文件夹里边存一个hello.xlsx

运行截图:

python初探爬虫的更多相关文章

  1. Python简单爬虫入门三

    我们继续研究BeautifulSoup分类打印输出 Python简单爬虫入门一 Python简单爬虫入门二 前两部主要讲述我们如何用BeautifulSoup怎去抓取网页信息以及获取相应的图片标题等信 ...

  2. Ubuntu下配置python完成爬虫任务(笔记一)

    Ubuntu下配置python完成爬虫任务(笔记一) 目标: 作为一个.NET汪,是时候去学习一下Linux下的操作了.为此选择了python来边学习Linux,边学python,熟能生巧嘛. 前期目 ...

  3. Python简单爬虫入门二

    接着上一次爬虫我们继续研究BeautifulSoup Python简单爬虫入门一 上一次我们爬虫我们已经成功的爬下了网页的源代码,那么这一次我们将继续来写怎么抓去具体想要的元素 首先回顾以下我们Bea ...

  4. [Python] 网络爬虫和正则表达式学习总结

    以前在学校做科研都是直接利用网上共享的一些数据,就像我们经常说的dataset.beachmark等等.但是,对于实际的工业需求来说,爬取网络的数据是必须的并且是首要的.最近在国内一家互联网公司实习, ...

  5. python简易爬虫来实现自动图片下载

    菜鸟新人刚刚入住博客园,先发个之前写的简易爬虫的实现吧,水平有限请轻喷. 估计利用python实现爬虫的程序网上已经有太多了,不过新人用来练手学习python确实是个不错的选择.本人借鉴网上的部分实现 ...

  6. GJM : Python简单爬虫入门(二) [转载]

    感谢您的阅读.喜欢的.有用的就请大哥大嫂们高抬贵手"推荐一下"吧!你的精神支持是博主强大的写作动力以及转载收藏动力.欢迎转载! 版权声明:本文原创发表于 [请点击连接前往] ,未经 ...

  7. Python分布式爬虫原理

    转载 permike 原文 Python分布式爬虫原理 首先,我们先来看看,如果是人正常的行为,是如何获取网页内容的. (1)打开浏览器,输入URL,打开源网页 (2)选取我们想要的内容,包括标题,作 ...

  8. Python 网页爬虫 & 文本处理 & 科学计算 & 机器学习 & 数据挖掘兵器谱(转)

    原文:http://www.52nlp.cn/python-网页爬虫-文本处理-科学计算-机器学习-数据挖掘 曾经因为NLTK的缘故开始学习Python,之后渐渐成为我工作中的第一辅助脚本语言,虽然开 ...

  9. 关于Python网络爬虫实战笔记③

    Python网络爬虫实战笔记③如何下载韩寒博客文章 Python网络爬虫实战笔记③如何下载韩寒博客文章 target:下载全部的文章 1. 博客列表页面规则 也就是, http://blog.sina ...

随机推荐

  1. nodejs 内存泄漏

    This looks OK at first glance. We could think that theThing get's overwritten with every invocation ...

  2. (53)C# 工具

    https://docs.microsoft.com/zh-cn/dotnet/framework/tools/ildasm-exe-il-disassembler 一.Visual Studio的开 ...

  3. 使用linkedhashmap实现LRU(最近最少使用缓存算法)

    import java.util.LinkedHashMap; import java.util.Map; public class LRUCache<K, V> extends Link ...

  4. Codeforces 1169B Pairs

    题目链接:http://codeforces.com/contest/1169/problem/B 题意:给你 m 对数 ,问你能不能在 1 − n 之间找到俩个不相等的 x 和 y 使得 对于前面每 ...

  5. 剑指offer——53字符流中第一个只出现一次的字符

    题目描述 请实现一个函数用来找出字符流中第一个只出现一次的字符.例如,当从字符流中只读出前两个字符"go"时,第一个只出现一次的字符是"g".当从该字符流中读出 ...

  6. Django框架(十一)—— 常用字段、参数、元信息、多对多关联关系

    目录 常用字段和参数 一.ORM字段 二.ORM参数 三.关系字段 1.ForeignKey 2.OneToOneFiled 3.ManyToManyField 四.元信息 五.多对多关联关系的三种方 ...

  7. Apache版hadoop编译

    前言  做为大数据入门的基础,hadoop是每个大数据开发人员几乎不可避免的基础,目前hadoop已经发展到3.x.x版本,但当前企业使用的主流还是2.x.x版本,hadoop官网提供了编译后的had ...

  8. 一键抓取Android的Locat Log

    很多小伙伴在做App测试时,一遇到Cash,开发同学最常说的一句话,就是抓下Locat日志,很多小伙伴一听到这个抓取日志就会觉得有点烦. ​主要有2点: ​    ​    ​1.是这个bug可能不好 ...

  9. HTTP信息头处理器

    就是HTTP请求头-Header

  10. 2019-5-16-WPF-光标初始化的时候-temp-文件夹满了无法创建

    title author date CreateTime categories WPF 光标初始化的时候 temp 文件夹满了无法创建 lindexi 2019-05-16 19:16:27 +080 ...