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：

=========================================== 正文结束 ===============================================