python爬虫练习，爬取豆瓣最受欢迎的250部电影，并保存至excel

简介

目标：使用 BeautifulSoup + Reuqests，爬取豆瓣上评分最高的250部电影，并保存到excel表格中。

requests库，参考前面文章：python爬虫之reuqests库

BeautifulSoup库，参考前面文章：python爬虫之Beautiful Soup库

一、创建xls表格

需要用到xlwt库，没安装的话，安装即可

pip install xlwt

创建空表格#创建一个excel表格，定义编码为utf-8，默认为ASCII编码excl=xlwt.Workbook(encoding='utf-8')movie=excl.add_sheet('movie top 250')movie.write(0,0,'排名')movie.write(0,1,'名称')movie.write(0,2,'导演演员')movie.write(0,3,'评分')movie.write(0,4,'链接')

二、创建请求函数

这里创建douban_re的函数，包括链接和headers，用于访问页面。

def douban_re(url): headers={'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko)Chrome/65.0.3325.162 Safari/537.36'} re=requests.get(url=url,headers=headers) return re.text

三、提取数据并存入excel表格

同样创建一个函数，BeatifulSoup 解析数据，然后用循环的方式依次追加内容到表中。

需要先分析页面信息

获取页面内容，具体可以参考文章：python爬虫之Beautiful Soup库def write_excel(soup):    list=soup.find(class_='grid_view').find_all('li')    for item in list:        item_num=item.find('em').string        item_name=item.find(class_='title').string        item_act=item.find('p').text.replace(' ','')        item_sc=item.find(class_='rating_num').string        item_link=item.find('a')['href']        #print('排名：'+item_num,'\n电影名称：'+item_name,item_act,item_sc,item_link)        #获取内容循环追加到表中。        global n        movie.write(n,0,item_num)        movie.write(n,1,item_name)        movie.write(n,2,item_act)        movie.write(n,3,item_sc)        movie.write(n,4,item_link)        n = n+1

四、循环多个页面的内容

分析网址信息：

#首页https://movie.douban.com/top250?start=0&filter=#第二页https://movie.douban.com/top250?start=25&filter=#第三页https://movie.douban.com/top250?start=50&filter=

可以发现就start=25的数字不同，同样用循环的方式依次访问页面即可。

创建访问页面函数main，在后面调取循环的页面数即可。def main(page):    url='https://movie.douban.com/top250?start='+str(page*25)+'&filter='    #url='https://movie.douban.com/top250'    html=douban_re(url)    soup=BeautifulSoup(html,'lxml')    write_excel(soup)if __name__=='__main__':    for i in range(0,10):        main(i)

五、完整代码

import requestsfrom bs4 import BeautifulSoupimport xlwtexcl=xlwt.Workbook(encoding='utf-8')movie=excl.add_sheet('movie top 250')movie.write(0,0,'排名')movie.write(0,1,'名称')movie.write(0,2,'导演演员')movie.write(0,3,'评分')movie.write(0,4,'链接')n=1def douban_re(url): headers={'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko)Chrome/65.0.3325.162 Safari/537.36'} re=requests.get(url=url,headers=headers) return re.textdef write_excel(soup): list=soup.find(class_='grid_view').find_all('li') for item in list: item_num=item.find('em').string item_name=item.find(class_='title').string item_act=item.find('p').text.replace(' ','') item_sc=item.find(class_='rating_num').string item_link=item.find('a')['href'] #print('排名：'+item_num,'\n电影名称：'+item_name,item_act,item_sc,item_link) global n movie.write(n,0,item_num) movie.write(n,1,item_name) movie.write(n,2,item_act) movie.write(n,3,item_sc) movie.write(n,4,item_link) n = n+1def main(page): url='https://movie.douban.com/top250?start='+str(page*25)+'&filter=' #url='https://movie.douban.com/top250' html=douban_re(url) soup=BeautifulSoup(html,'lxml') write_excel(soup)if __name__=='__main__': for i in range(0,10): main(i)excl.save('movie_top_250.xls')

最后excl.save保存并命令即可，注：xlwt只能创建保存为xls格式的表，不能保存xlsx格式的表格

执行结果，得到一个名称为movie_top_250.xls的表格，打开表格。