python爬取电影记录并生成excel表格

#coding=utf-8 import urllib2 import re import xlwt import smtplib import random import time from email.mime.multipart import MIMEMultipart from email.mime.text import MIMEText from email.mime.application import MIMEApplication # 1.先获取整个页面信息 # Urllib 模块提供了读取web页面数据的接口，我们可以像读取本地文件一样读取www和ftp上的数据。 # 首先，我们定义了一个getHtml()函数: # urllib.urlopen()方法用于打开一个URL地址。 # read()方法用于读取URL上的数据，向getHtml()函数传递一个网址，并把整个页面下载下来。执行程序就会把整个网页打印输出。 # # #添加头部header # Agent_list = [ ] # user_agent = random.choice(Agent_list) # page.add_header('User-Agent',user_agent) # # # #定义opener,设置代理IP # ip_list = [] # httpproxy_handler = urllib2.ProxyHandler({'http':random.choice(ip_list)}) # opener = urllib2.build_opener(httpproxy_handler) # urllib2.install_opener(opener) def getHtml(url): Agent_list = ['Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.87 Safari/537.36', "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1", "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11" ] ip_list = ['223.198.16.58:9999','110.244.12.96:9999','61.145.8.103:9999','223.198.19.214:9999','112.85.125.111:9999'] user_agent = random.choice(Agent_list) httpproxy_handler = urllib2.ProxyHandler({'http':random.choice(ip_list)}) opener = urllib2.build_opener(httpproxy_handler) urllib2.install_opener(opener) page = urllib2.Request(url) page.add_header('User-Agent',user_agent) response = urllib2.urlopen(page) html = response.read() return html # 2.筛选页面中想要的数据 # 我们又创建了geturl()函数，用于在获取的整个页面中筛选需要的视频连接。 # re模块主要包含了正则表达式： # r"<a href='(/html/gndy/+.+html)'"，表示查找类似/html/gndy/jddy/20190607/58704.html地址的超链接。 # 正则表达式输出的是括号（）里面的内容。 # # 正则表达式示例：r'(.*) are (.*?) .*' # 首先，这是一个字符串，前面的一个 r 表示字符串为非转义的原始字符串，让编译器忽略反斜杠，也就是忽略转义字符。 # 但是这个字符串里没有反斜杠，所以这个 r 可有可无。 # . :匹配一个除了换行符任意一个字符 # ^ :只有后面跟的字符串在开头，才能匹配上 # * ：它控制它前面那个字符，他前面那个字符出现0到多个都可以匹配上　 # + ：匹配前面那个字符1到多次 # ？：匹配前面那个字符0到1个，多余的只匹配一个 # (.*) 第一个匹配分组，.* 代表匹配除换行符之外的所有字符。 # (.*?) 第二个匹配分组，.*? 后面多个问号，代表非贪婪模式，也就是说只匹配符合条件的最少字符 # 后面的一个 .* 没有括号包围，所以不是分组，匹配效果和第一个一样，但是不计入匹配结果中。 # # re.search("com","COM",re.I).group() # re.I 使匹配对大小写不敏感 # re.L 做本地化识别（locale-aware）匹配 # re.M 多行匹配，影响^和$ # re.S 使.匹配包括换行在内的所有字符 # # <a href="">..</a>表示超链接 # re.compile() 可以把正则表达式编译成一个正则表达式对象. # re.findall() 方法读取html 中包含 urlre（正则表达式）的数据。 # 运行脚本将得到整个页面中包含图片的URL地址。 # # reg = r"<a href='(/html/gndy/.*)</a> " # 匹配类似<a href='/html/gndy/jddy/20160320/50523.html'>IMDB评分8分左右影片400余部</a> 并输出括号里面的内容 # 得到 /html/gndy/jddy/20160320/50523.html'>IMDB评分8分左右影片400余部 # 可以用 reg = r"<a href='(/html/gndy/.*?)</a> " # 可以用 reg = r"<a href='(/html/gndy/.+)</a> " # 可以用 reg = r"<a href='(/html/gndy/.+?)</a> " # # re.split(r"'>+",resource_url) 将得到的结果‘/html/gndy/jddy/20160320/50523.html'>IMDB评分8分左右影片400余部’ 按照‘>切割成两部分。 # down_addr = '' + down_page[j] down_page无法显示汉字，所以做了下转化 # # for i in range (1,20) 查询需要的条记录，从1开始的原因是因为第0个记录不是需要的数据。 def geturl(html): reg = r"<a href='(/html/gndy/.*)</a> " urlre = re.compile(reg) urllist = re.findall(urlre,html) wbk = xlwt.Workbook(encoding='gbk') worksheet = wbk.add_sheet('My worksheet') list1=('Name','Page','Url') for i in range(1,20): resource_url = "https://dytt8.net" + urllist[i] result = re.split(r"'>+",resource_url) Agent_list = ['Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.87 Safari/537.36', "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1", "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6", "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1", "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5", "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3", "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24", "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24" ] ip_list = ['223.198.16.58:9999','110.244.12.96:9999','61.145.8.103:9999','223.198.19.214:9999','112.85.125.111:9999'] user_agent = random.choice(Agent_list) httpproxy_handler = urllib2.ProxyHandler({'http':random.choice(ip_list)}) opener = urllib2.build_opener(httpproxy_handler) urllib2.install_opener(opener) user_agent = random.choice(Agent_list) down_page = urllib2.Request(result[0]) down_page.add_header('User-Agent',user_agent) print down_page.get_header('User-agent') response_page = urllib2.urlopen(down_page) down_html = response_page.read() addr_code = r'<a href="(ftp://.*)">' addr_re = re.compile(addr_code) down_url = re.findall(addr_re,down_html) down_addr = '' + down_url[0] if i == 1: for list in range(0,len(list1)): worksheet.write(i-1,list,list1[list]) else: worksheet.write(i-1,0,result[1]) worksheet.write(i-1,1,result[0]) worksheet.write(i-1,2,down_addr) time.sleep(5) wbk.save('renew.xls') #3. 发送邮件 def send_mail(): user = 'xxxx.com' pwd = 'xxxxs' to = 'xxxx' msg = MIMEMultipart() msg["Subject"] = '电影记录' msg ["From"] = user msg ["To"] = to part1 = MIMEText("你好,\n\n 电影记录见附件。") msg.attach(part1) part2 = MIMEApplication (open(r'E:\2xx3\python脚本\html\renew.xls','rb').read()) part2.add_header('Content-Disposition','attachment',filename='renew.xls') msg.attach(part2) s = smtplib.SMTP("smtp.139.com",timeout=30) s.login(user,pwd) s.sendmail(user,to,msg.as_string()) s.close() html = getHtml("https://www.dytt8.net/index0.html") geturl(html) send_mail()

相关阅读