python3爬虫获取豆瓣电影网TOP250电影信息(EXCEL)

前面写过一篇文章python3爬虫获取豆瓣电影网TOP250电影信息是将爬取的结果写入txt文本文件的，这次是同样的示例，同样的方法，只是将结果写入到excel中并保存。

1.本次爬虫的思路

• 读取url：https://movie.douban.com/top250?start=%d&filter=
• 通过request拿到url中的内容部分
• 通过xpath定位，获取我们想要的信息，比如：序列、电影名称、评星、评论人数、上映国家、上映时间、简述等
• 通过openpyxl库将获取的信息写入xlsx文件中

2.使用的知识点

本次爬虫主要使用requests、lxml和openpyxl库

3.可以直接运行的代码

#!/usr/bin/env python
# _*_ coding:utf-8 _*_
# @File  : doubanmovie.py
# @Author: tanglong
# @Date  : 2020/6/12
# @Desc  : PyCharm

import requests
from lxml import html
import openpyxl

#被爬取网站的消息头
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
}

# 爬取页面内容
def moviesInfo(url):
    #根据url和headers获取网站全部内容
    reponse = requests.get(url=url, headers=headers).content
    #通过html模块解析上面获取的内容
    bs = html.fromstring(reponse)
    num = 0
    # print("+++++++++++++++++++++", bs.xpath('//div[@class ="info"]'))

    #通过xpath获取"div[@class ="info"]"的所有节点，即豆瓣的所有电影信息，每一个电影信息为一个"div[@class ="info"]"，因此这里循环获取具体信息
    for i in bs.xpath('//div[@class ="info"]'):
        try:

            #因为这个序列是在"div[@class ="info"]"外面（即bs里面），所以这边是用的bs.xpath，而不是i.xpath
            movieNo = bs.xpath('//*[@id="content"]/div/div[1]/ol/li[{}]/div/div[1]/em/text()'.format(num+1))[0]
            # movieNo = bs.xpath('//*[@id="content"]/div/div[1]/ol/li[numa]/div/div[1]/em/text()',numa=num)

            # 电影名称
            movieName = i.xpath('div[@class="hd"]/a/span[@class="title"]/text()')[0]
            #评星
            mobieStart = i.xpath('//div[@class="star"]/span[2]/text()')[num]
            # 电影信息
            movieInfo = i.xpath('div[@class="bd"]/p[1]/text()')
            # 电影简述
            movieDescribes = i.xpath('//span[@class="inq"]/text()')
            # 电影评论人数
            movieNums = i.xpath('//div[@class="star"]/span[4]/text()')

            # 上映国家
            moviePeople = movieInfo[1].replace(" ", "").replace("\n", "").split("/")[1]
            # 电影上映时间
            movieDate = movieInfo[1].replace(" ", "").replace("\n", "").split("/")[0]
            # 获取电影的每一条简述
            movieDescribe = movieDescribes[num]
            # 获取每一个电影的评论人数
            movieNum = movieNums[num]

            #将要写入excel的字段值赋给row[]
            row = [movieNo,movieName,mobieStart,movieNum,moviePeople,movieDate,movieDescribe]
            #调用写数据的函数
            write_excel_xlsx(excel_path,row)
            num += 1
        except Exception as e:
            # print(e)
            break

#新建xlsx文件
def create_excel_xlsx(excel_path,sheet_name):
    wb = openpyxl.Workbook()
    sheet_name = wb.create_sheet(sheet_name,index=0)
    #定义标题首行
    row = ['序列','电影名称','评星','评论人数','上映国家','上映时间','简述']
    sheet_name.append(row)
    wb.save(filename=excel_path)

#向excel文件中写入数据
def write_excel_xlsx(excel_path,row):
    wb = openpyxl.load_workbook(filename=excel_path)
    sheet_name = wb.active
    sheet_name.append(row)
    wb.save(filename=excel_path)


if __name__ == '__main__':
    num = 0
    #定义文件名和sheet页名称
    excel_path = '2020movies_top250.xlsx'
    sheet_name = '豆瓣电影排行top250'
    #调用创建excel的函数，并写入首行作为标题
    create_excel_xlsx(excel_path, sheet_name)
    #这里rang(10)是循环10页
    for i in range(10):
        #指定要爬虫的网页url
        page = 'https://movie.douban.com/top250?start=%d&filter=' % num
        moviesInfo(page)
        #指定每页多少部电影，这里是每页25部电影，共10页，因此是250部电影
        num += 25

代码中都已经加了注释，这里就不再对代码进行一一说明了。

4.运行效果

从代码中可以看出，我们写入的文件名是当前工程目录下的“2020movies_top250.xlsx”文件，sheetName是“豆瓣电影排行top250”，打开文件展示部分内容如下：