个人记录：使用python爬虫的通用流程（持续更新）

import sys
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  # 制定url,获取网页数据
import urllib.request
import xlwt  # 进行excel操作
import sqlite3  # 进行数据库操作


def main():
    # 爬取网页
    # 解析数据
    # 保存数据
    baseurl = "https://movie.douban.com/top250?start="
    # 保存在当前目录(1.一个/;2.\,两个单斜杠是说其中一个为转义字符;3.r".")
    savepath = ".\豆瓣电影top250.xls"
    datalist = getdata(baseurl)
    # 保存数据
    savedata(datalist, savepath)

    #html = askurl(baseurl)
    #return html

# 影片链接
findlink = re.compile(r'')  # 创建正则表达式对象，表示规则（字符串模式）
# 影片图片
findimgsrc = re.compile(r', re.S)  # re.S让换行符包含在字符中
# 影片title
findtitle = re.compile(r'(.*)')
# 影片评分
findrating = re.compile(r'(.*)')
# 评价人数
findjudge = re.compile(r'(d*)人评价')
# 找到概况
finddes = re.compile(r'(.*)')
# 找到影片的相关内容
findcon = re.compile(r'
(.*?)
',re.S)

# 爬取网页
def getdata(baseurl):
    datalist = []
    for i in range(0, 10):  # 爬取的页数，10页
        url = baseurl + str(i * 25)
        html = askurl(url)
        # 开始逐一解析
        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
            #print(item)
            #break
            data = []  # 保存一部电影的所有信息
            item = str(item)

            link = re.findall(findlink, item)[0]  # re用来通过正则表达式查找指定字符串
            data.append(link)

            Imgsrc = re.findall(findimgsrc, item)[0]
            data.append(Imgsrc)

            Title = re.findall(findtitle, item)
            if len(Title) == 2:
                ctitle = Title[0]
                data.append(ctitle)
                etitle = Title[1].replace('/', '')
                data.append(etitle)
            else:
                data.append(Title)
                data.append(' ')

            Rating = re.findall(findrating, item)[0]
            data.append(Rating)

            Judge = re.findall(findjudge, item)[0]
            data.append(Judge)

            Des = re.findall(finddes, item)
            if len(Des) != 0:
                Des = Des[0].replace('。', '')
                data.append(Des)
            else:
                Des = ' '
                data.append(Des)
            Con = re.findall(findcon, item)[0]
            Con = re.sub(r'(s+)?',' ',Con)  # 替换

            Con = re.sub('/', ' ', Con)  # 替换/
            data.append(Con.strip())  # 去掉前后的空格
            print(data)
            datalist.append(data)
            #print(link)
    print(datalist)
    return datalist


# 保存数据
def savedata(datalist, savepath):
    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 = ("影片链接", "影片图片", "影片中文名字", "影片英文名字", "影片评分", "影片评价人数", "影片概况", "影片相关内容")
    for i in range(0, 8):
        sheet.write(0, i, col[i])
    for i in range(0, 250):
        data = datalist[i]
        for j in range(0, 8):
            sheet.write(i+1, j, data[j])
    book.save(savepath)


# 得到指定一个url的网页内容
def askurl(url):
    # headers为F12中请求头的User-Agent
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.110 Safari/537.36 Edg/96.0.1054.62"
    }  # 伪装告诉网站我是一个浏览器，不是一个爬虫，如果想伪装的更好，可以在headers中加入更多有关请求头的键值对即可
    html = ""
    res = urllib.request.Request(url=url, headers=headers)
    try:
        # 获取响应信息
        response = urllib.request.urlopen(res)
        html = response.read().decode("utf-8")
        #print(html)
    except urllib.error.URLError as e:
        print("请求出错")
        if hasattr(e, "code"):
            print(e, "code")
        if hasattr(e, "reason"):
            print(e, "reason")
    return html


if __name__ == "__main__":
    html = main()
    #bs = BeautifulSoup(html, "html.parser")
    #print(type(bs.title.string))