Python爬虫

# -*- coding=utf-8 -*-
from bs4 import BeautifulSoup  # 网页解析，获取数据
import re
import urllib.request
import xlwt
import sqlite3


def main():
    baseurl = "https://movie.douban.com/top250?start="
    # 1.爬取网页
    datalist = getData(baseurl)
    savepath = ".\豆瓣电影top250.xls"
    # 3.保存数据
    # saveData(savepath)
    askURL("https://movie.douban.com/top250?start=0")


findlink = re.compile(r'')  # 创建正则表达式对象，表示规则（字符串的模式）

findImgSrc = re.compile(r', re.S)  # 让换行符包含在字符中

findTitle = re.compile(r'(.*)')

findRating = re.compile(r'.*')

findJudge = re.compile(r'(d*人评价)')

findInq = re.compile(r'(.*)')

findBd = re.compile(r'
(.*)
', re.S)   #S就是忽略换行符

# 爬取网页
def getData(baseurl):
    datalist = []
    for i in range(0, 1):  # 调用获取页面信息的函数
        url = baseurl + str(i * 25)  # 每页25个
        html = askURL(url)  # 保存获取到的网页源码

        # 2.逐一解析数据        一个网页解析一次
        soup = BeautifulSoup(html, "html.parser")
        for item in soup.find_all('div', class_="item"):
            # print(item)

            data = []  # 保存一部电影的所有信息
            item = str(item)
            link = re.findall(findlink, item)[0]
            print(link)
        # 查找符合要求的字符串形成列表

    return datalist  # 数据列表


# 得到指定一个URL网页的内容
def askURL(url):  # 模拟头部信息，发送消息
    head = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.82 Safari/537.36 Edg/93.0.961.52"}
    # 用户代理表示告诉豆瓣代理我们是什么类型的机器、浏览器，我们可以接受什么类型的内容
    request = urllib.request.Request(url, headers=head)
    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


def saveData(dbpath):
    print("Saved")


if __name__ == "__main__":
    main()