#-*- codeing = utf-8 -*-

from bs4 import BeautifulSoup           # 网页解析，获取数据
import urllib.request, urllib.error      # 制定URL，获取网络数据
import re                               # 正则表达式，进行文字匹配
import xlwt                             # 进行excel操作
import sqlite3                          # 进行sqlite数据库操作


def main():
    baseurl = "https://movie.douban.com/top250?start="
    datalist = getData(baseurl)
    savepath = "豆瓣电影TOP250.xls"
    # 保存
    saveData(datalist, savepath)


# 创建正则表达式对象，表示规则（字符串模式）
findLink = re.compile(r'<a href="(.*?)">')
# 影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)   # 让换行符包含在字符中
# 影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
# 影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
# 评价人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
# 影片相关人物
findInq = re.compile(r'<span class="inq">(.*)</span>')
# 影片类型
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)


# 爬取网页
def getData(baseurl):
    datalist = []
    # 获取10页豆瓣数据
    for i in range(0, 10):
        url = baseurl + str(i*25)
        # 保存网页源码
        html = askURL(url)

        # 逐一解析数据
        soup = BeautifulSoup(html, "html.parser")
        # 查找字符串形成列表
        for item in soup.find_all('div', class_="item"):
            data = []       # 保存信息
            item = str(item)

            # 获取影片超链接
            # 通过正则表达式查找指定字符串
            link = re.findall(findLink, item)[0]    # 链接
            data.append(link)

            imgSrc = re.findall(findImgSrc, item)[0]    # 图片
            data.append(imgSrc)

            titles = re.findall(findTitle, item)      # 片名
            if len(titles) == 2:           # 如果有两个名
                ctitle = titles[0]      # 抽出中文名
                data.append(ctitle)
                otitle = titles[1].replace("/", "")     # 抽出外文名并去除无关符号
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append('——————')            # 外文名留空

            rating = re.findall(findRating, item)[0]
            data.append(rating)

            judge = re.findall(findJudge, item)[0]
            data.append(judge)

            inq = re.findall(findInq, item)
            if len(inq) != 0:
                data.append(inq[0].replace("。", ""))
            else:
                data.append("——————")

            bd = re.findall(findBd, item)[0]
            bd = re.sub('<br(\s+)?/>(\s+)?', " ", bd)        # 去掉<br>
            data.append(bd.strip())         # 去掉前后长空

            datalist.append(data)           # 信息放入列表

    return datalist


# 得到指定一个URL的网页信息
def askURL(url):
    head = {                    # 模拟浏览器头部信息，向豆瓣服务器发送消息
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36(KHTML, like Gecko) Chrome/76.0.3809.87 Safari/537.36 SLBrowser/6.0.1.9171"
        }                       # 用户代理：告诉豆瓣我可以接受的数据类型文件内容，隐藏身份，我不是爬虫

    request = urllib.request.Request(url, headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
        #print(html)
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)

    return html

# 保存数据


def saveData(datalist, savepath):
    print("保存中...")
    book = xlwt.Workbook(encoding="utf-8")
    sheet = book.add_sheet("豆瓣电影TOP250")
    col = ("电影详情链接", "图片链接", "影片中文名", "影片外文名", "豆瓣评分", "评价数", "影片简介", "影片相关人物")
    for i in range(0, 8):
        sheet.write(0, i, col[i])
    for i in range(0, 250):
        print("第%d条" % (i+1))
        data = datalist[i]
        for j in range(0, 8):
            sheet.write(i+1, j, data[j])

    book.save("豆瓣电影TOP250.xls")     #保存数据





if __name__ == "__main__":
    main()
    print("保存完毕...")