在编写李巍老师讲解的python的示例程序时,遇到了list index out of range的问题
其问题为
- 试图访问列表中不存在的索引
- 在循环中使用无效索引
- 使用 range() 函数时指定超出列表中索引的范围
def main():
baseurl = 'https://movie.douban.com/top250?start='
# 1 爬取网页
datalist = getData(baseurl)
savepath = '豆瓣电影top250.xls'
#savepath = xlwt.Workbook(encoding='utf-8',style_compression = 0)# 创建workbook对象
#savepath.save('豆瓣电影top250.xls')
askURL(baseurl)
saveData(datalist,savepath)
findlink = re.compile(r'<a href="(.*?)">') #创建正则表达式对象,表示规则(字符串的模式)
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S) #re.S 忽略其中的换行符号
findTitle = re.compile(r'<span class="title">(.*)</span>')
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findJudge = re.compile(r'<span>(\d*)人评价</span>')
findInq = re.compile(r'<span class="inq">(.*)</span>')
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)
#.表示单个字符(匹配任意字符)
#* :星号,重复任意多次,如:\w*,代表任意字母,数字,下划线,汉字出现任意多次
#? :问好:至多出现一次(出现一次或则不出现),如:\s?,代表空白字符出现0或则1次
# \w :匹配字母或数字或下划线或汉字
#正则表达式的分组以()小括号进行标示,如:(\w*)。标示将\w*划分为一个匹配单元,及分组。
def getData(baseurl):
datalist = []
for i in range(0, 1):
url = baseurl + str(i*25)
html = askURL(url)
soup = BeautifulSoup(html, 'html.parser')
for item in soup.find_all('div', class_='item'): # class_ 加下划线 表示它的属性值
# print(item)
data = []
item = str(item)
#print(item)
#break
link = re.findall(findlink,item)[0]
#print(link)
data.append(link)
imgSrc = re.findall(findImgSrc,item)[0]
data.append(imgSrc)
titles = re.findall(findTitle,item) #可能只有一个中文名 也可能有外文名
if(len(titles)==2 ):
ctitle = titles[0]
data.append(ctitle)
otitle = titles[1].replace('/','') #去掉无关的符号
data.append(otitle)
else:
data.append(titles[0])
data.append(' ') #留空
rating = re.findall(findRating,item)[0]
data.append(rating)
judgeNum = re.findall(findJudge,item)[0]
data.append(judgeNum)
inq = re.findall(findInq,item)[0]
if len(inq) != 0:
inq = inq[0].replace('。','')
data.append(inq)
else:
data.append(' ')
bd = re.findall(findBd,item)[0]
print(bd)
bd = re.sub('<br(\s+)?/>(\s+)?',' ',bd) #去掉br
bd = re.sub('/',' ',bd) #替换/
data.append(bd.strip()) #去掉前后的空格
datalist.append(data)
print(datalist)
return datalist
# 得到指定一个url的网页内容
def askURL(url):
head = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) "
"AppleWebKit/537.36 (KHTML, like Gecko)"
"Chrome/119.0.0.0 Safari/537.36"
} #用户代理 表示告诉豆瓣服务器,我们是什么类型的机器,
#本质上是告诉浏览器 我们可以接收什么水平的信息
request = urllib.request.Request(url,headers=head)
html = ''
try:
response = urllib.request.urlopen(request)
html = response.read().decode('utf-8')
#print(html)
except Exception as error:
if hasattr(error,'code'):
print(error.code)
if hasattr(error,'reason'):
print(error.reason)
return html
'''def saveData(datalist,savepath):
print('save...')
book = xlwt.Workbook(encoding='utf-8',style_compression = 0)# 创建workbook对象
sheet = book.add_sheet('豆瓣电影top250',cell_overwrite_ok = True)#创建工作表
col = ('电影详情链接','图片链接','影片中文名','影片英文名','评分','评价数','概况','相关信息')
for i in range(0,5):
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(0,5):
sheet.write(i+1,j,data[j])
book.save(savepath) '''
if __name__=='__main__':
main()
报错问题为
Cell In[107], line 61, in getData(baseurl)
58 else:
59 data.append(' ')
---> 61 bd = re.findall(findBd,item)[0]
62 print(bd)
63 bd = re.sub('<br(\s+)?/>(\s+)?',' ',bd) #去掉br
IndexError: list index out of range
但是打印出来的datalist是有inq,bd的内容的,却出现这个问题