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：
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 requests
from bs4 import BeautifulSoup
import xlwt
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')
n=1
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
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)
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
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)
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。
