python怎么爬取excel数据(python爬取内容存入Excel实例)
python怎么爬取excel数据
python爬取内容存入Excel实例最近老师布置了个作业,爬取豆瓣top250的电影信息。按照套路,自然是先去看看源代码了,一看,基本的信息竟然都有,心想这可省事多了。简单分析了下源代码,标记出所需信息的所在标签,ok,开始干活!
鉴于正则表达式的资料已经看了不少,所以本次除了beautifulsoup外,还有些re的使用,当然,比较简单。而爬到信息后,以往一般是存到txt文件,或者数据库中,老是重样的操作,难免有些‘厌倦'。心想,干嘛不存到excel表呢?对啊,可以存到excel表。
环境准备:pip install openpyxl (假设你已配好了python环境)
好了,废话少说,上代码。
|
# coding=utf-8 ''' function:爬取豆瓣top250的电影信息,并写入excel文件 ''' import requests import re from openpyxl import workbook # 写入excel表所用 from openpyxl import load_workbook # 读取excel表所用 from bs4 import beautifulsoup as bs import os os.chdir( 'c:\users\administrator\desktop' ) # 更改工作目录为桌面 def gethtml(src): html = requests.get(src).content getdata(html, src) # 首页链接和其他页不同,所以单独获取信息 urls = re.findall( 'href="(.*filter=?)' , html) # re获取获取跳转链接的href for u in range ( len (urls) - 2 ): # 匹配到的跳转链接最后两个重复,需去掉 next_url = 'https://movie.douban.com/top250' + urls[u] html = requests.get(next_url).content getdata(html, next_url) def getdata(html, num_url): # html:网页源码 ,num_url:页面链接 global ws # 全局工作表对象 name = [] # 存储电影名 dr = [] # 存储导演信息 ma = [] # 存储主演信息 si = [] # 存储简介 r_score = [] # 存储评分 r_count = [] # 存储评论人数 r_year = [] # 存储年份 r_area = [] # 存储地区 r_about = [] # 存储剧情类型 soup = bs(html, 'lxml' ) for n in soup.find_all( 'li' , class_ = 'hd' ): # ts = n.contents[1].text # 得到电影的所有名称 ts = n.contents[ 1 ].text.strip().split( '/' )[ 0 ] # 得到电影中文名 name.append(ts) for p in soup.find_all( 'p' , class_ = ''): infor = p.text.strip().encode( 'utf-8' ) #此处用utf-8编码,以免下面查找 ‘主演'下标报错 ya = re.findall( '[0-9]+.*\/?' , infor)[ 0 ] # re得到年份和地区 r_year.append(ya.split( '/' )[ 0 ]) # 得到年份 r_area.append(ya.split( '/' )[ 1 ]) # 得到地区 r_about.append(infor[infor.rindex( '/' ) + 1 :]) # rindex函数取最后一个/下标,得到剧情类型 try : sub = infor.index( '主演' ) # 取得主演下标 dr.append(infor[ 0 :sub].split( ':' )[ 1 ]) # 得到导演信息 mh = infor[sub:].split( ':' )[ 1 ] # 得到主演后面的信息 ma.append(re.split( '[1-2]+' , mh)[ 0 ]) # 正则切片得到主演信息 except : print '无主演信息' dr.append(infor.split( ':' )[ 1 ].split( '/' )[ 0 ]) ma.append( '无介绍...' ) for r in soup.find_all( 'li' , class_ = 'star' ): rs = r.contents # 得到该li的子节点列表 r_score.append(rs[ 3 ].text) # 得到评分 r_count.append(rs[ 7 ].text) # 得到评论人数 for s in soup.find_all( 'span' , 'inq' ): si.append(s.text) # 得到简介 if len (si) < 25 : for k in range ( 25 - len (si)): si.append( '本页有的电影没简介,建议查看核对,链接:' + num_url) for i in range ( 25 ): # 每页25条数据,写入工作表中 ws.append([name[i], r_year[i], r_area[i], r_about[i], dr[i], ma[i], r_score[i], r_count[i], si[i]]) if __name__ = = '__main__' : # 读取存在的excel表测试 # wb = load_workbook('test.xlsx') #加载存在的excel表 # a_sheet = wb.get_sheet_by_name('sheet1') #根据表名获取表对象 # for row in a_sheet.rows: #遍历输出行数据 # for cell in row: #每行的每一个单元格 # print cell.value, # 创建excel表并写入数据 wb = workbook.workbook() # 创建excel对象 ws = wb.active # 获取当前正在操作的表对象 # 往表中写入标题行,以列表形式写入! ws.append([ '电影名' , '年份' , '地区' , '剧情类型' , '导演' , '主演' , '评分' , '评论人数' , '简介' ]) src = 'https://movie.douban.com/top250' gethtml(src) wb.save( 'test2.xlsx' ) # 存入所有信息后,保存为filename.xlsx |
代码中已有不少注释,这里说下爬取过程中遇到的小问题。
1.soup的contents方法,返回的是某标签下的子节点列表,但刚开始总是取不到想要的值,输出其长度后,有些傻眼..tm什么情况?有这么多的子节点吗?较真的我又去数了几遍,最后发现,它竟然连"换行"都算作是子节点!莫名地有点方...不知各位有没有遇到过。
如图,我按列表下标标记,0,2,4,6,8是换行,但也被算作子节点...
2.还是contents方法,代码中的 '#得到电影所有名称' 处的代码 n.contents[1]获取的除了a标签外,还有其下的span标签,这是为何?它们算一个整体?
3.对如下图的电影信息处理时,出现了几处错误,原因有以下几点:
(1)部分电影没有主演信息...
(2)主演信息为这样'主演: ',就一个主演字样,无内容
(3)部分电影没有简介
(4)当主演信息中没有'...'时,获取主演信息受阻
解决方案:(1)(2)都是主演问题,判断是否存在即可。(我以捕获异常处理)
(3)是简介问题,我无法给出具体哪部电影没有简介,但给了该电影所在的页面链接,可访问核查。(貌似有点笨)
(4)获取受阻是因为后面没有精确定位点,最后以re.split('[1-2]+')方法解决,匹配年份第一位作为分片点
本次分享就到这儿了,最后,照旧放几张结果图吧。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持开心学习网。
原文链接:https://blog.csdn.net/Dick633/article/details/79933772
- python学生管理系统设计代码(python学生管理系统开发)
- python3json序列化(Python3.5 Json与pickle实现数据序列化与反序列化操作示例)
- python从零开始学习人工智能(为何人工智能AI首选Python?读完这篇文章你就知道了推荐)
- python批量创建字典(Python编写合并字典并实现敏感目录的小脚本)
- python字符串相似度匹配(Python实现字符串匹配的KMP算法)
- python统计字符类型和数量(python统计中文字符数量的两种方法)
- python时间序列模式识别(Python时间序列处理之ARIMA模型的使用讲解)
- python程序开发过程(python调用外部程序的实操步骤)
- python中tryexcept的用法(对python中的try、except、finally 执行顺序详解)
- python pandas读取数据库表(Python3.5 Pandas模块之DataFrame用法实例分析)
- python字典的值排序(python 对字典按照value进行排序的方法)
- python3有哪些内置模块(Python3.5内置模块之os模块、sys模块、shutil模块用法实例分析)
- 虚拟环境python详细教程(python创造虚拟环境方法总结)
- python内置函数一览表(Python面向对象程序设计构造函数和析构函数用法分析)
- python中if语句应学会什么(Python基础之条件控制操作示例if语句)
- python编程面试常见问题(分析经典Python开发工程师面试题)
- 营养餐是什么(学校营养餐是什么)
- 谁说女子不如男 范冰冰演的武则天只是其一,另外两位你认识吗(谁说女子不如男)
- 杯酒人生---瓦伦丁酒杯和奥丁格啤酒(杯酒人生---瓦伦丁酒杯和奥丁格啤酒)
- 中秋节买啤酒,预算超过7元试试这8种啤酒,麦香浓郁都是真啤酒(预算超过7元试试这8种啤酒)
- CellPress旗下的6 期刊,国人友刊来了解一下吧(CellPress旗下的6期刊国人友刊来了解一下吧)
- ()
热门推荐
- 阿里云对象存储oss收费吗(阿里云存储服务OSS基本概念)
- laravel算法(laravel批量生成假数据的方法)
- mysql xml转换json(Mysql将查询结果集转换为JSON数据的实例代码)
- python字符串找一个最大字符(Python查找最长不包含重复字符的子字符串算法示例)
- css3轮播案例(纯CSS3实现图片无间断轮播效果)
- 结构、枚举和数组的区别
- sqlserver中复合索引(浅析SQL Server 聚焦索引对非聚集索引的影响)
- axios 请求前校验参数(js实现axios限制请求队列)
- mysql账户访问权限(MySQL 权限控制详解)
- dedecms 标签通用(DEDECMS标签循环调用 去掉最后一个循环符号的代码)
排行榜
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9