基于Python爬虫爬取豆瓣Top250电影
学习视频:Python爬虫数据可视化《听障人士字幕版》国内首套,Python基础入门 由于能力有限,仅能将数据存储在Excel,未能实现存储在数据库中。 以下为源码,源码中函数“def saveData2DB(datalist,dbpath)”和“def init_db(dbpath)”功能未实现。
#-*- codeing=utf-8 -*-
#@Time : 2021/7/23 9:25
#@Author : 西兰花
#@File : spider.py
#@Software : PyCharm
from bs4 import BeautifulSoup #网页解析,获取数据
import re #正则表达式,进行文字匹配
import urllib.request,urllib.error#制定URL,获取网页数据
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="
#1.爬取网页
datalist = getData(baseurl)
#savepath = "豆瓣电影TOP250.xls" #存储路径为当前文件夹下
dbpath = "movie.db" #数据库
# 3.保存数据
#saveData(datalist,savepath)
saveData2DB(datalist,dbpath)
#askURL("https://movie.douban.com/top250?start=0")
#影片详细链接的规则
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)
#影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)
#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>')
#找到概况
findInq = re.compile(r'<span class="inq">(.*)</span>')
#找到影片的相关内容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)
#爬取网页
def getData(baseurl) :
datalist = []
for i in range(0,10):#调用获取页面信息的函数10次
url = baseurl + str(i * 25)
html = askURL(url)#保存获取到的网页源码
#2.逐一解析数据
soup = BeautifulSoup(html,"html.parser")
for item in soup.find_all('div',class_="item"): #查找符合要求的字符串,形成列表
data = [] #保存一部电影的所有信息
item = str(item)
#print(item)
#break
#影片详细链接
link = re.findall(findLink,item)[0] #re库用来通过正则表达式查找指定的字符串
data.append(link) #添加链接
#print(link)
ImgSrc = re.findall(findImgSrc,item)[0]
data.append(ImgSrc) #添加图片
#print(ImgSrc)
titles = re.findall(findTitle,item)
if(len(titles) == 2):
ctitle = titles[0] #添加中文名
data.append(ctitle)
otitle = titles[1].replace("/","") #去掉无关的符号
data.append(otitle) #添加外文名
else:
data.append(titles[0])
data.append(' ') #留空
#print(titles)
rating = re.findall(findRating,item)[0]
data.append(rating) #添加评分
#print(rating)
judgeNum = re.findall(findJudge,item)
data.append(judgeNum) #添加评价人数
#print(judgeNum)
inq = re.findall(findInq,item)
if len(inq) != 0:
inq = inq[0].replace("。","") #去掉句号
data.append(inq) #添加概述
else:
data.append(" ") #留空
#print(inq)
bd = re.findall(findBd,item)[0]
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
#print(bd)
datalist.append(data) #把处理好的一部电影信息放入datalist
#print(datalist)
return datalist
#得到指定一个url的网页信息
def askURL(url):
#模拟浏览器头部信息,向豆瓣服务器发送消总
head = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 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,浏览器(本质上是告诉浏览器,我们可以接收什么水平的文件
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
#Excel保存数据
def saveData(datalist,savepath) :
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","影片外文名","评分","评价数","概况","相关信息")
for i in range(0,8):
sheet.write(0,i,col[i]) #列名
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(savepath) #保存
#数据库存数据
def saveData2DB(datalist,dbpath):
init_db(dbpath)
conn = sqlite3.connect(dbpath)
cur = conn.cursor()
for data in datalist:
for index in range(len(data)):
if index == 4 or index == 5:
continue
data[index] = '"'+data[index]+ '"'
sql = '''
insert into movie250(
info_link,pic_link,cname,ename,score,rated,instrodruction,info)
values(%s)'''%",".join(data)
#'%s' %data for data in data
# values(%s)'''%",".join(data)
#print(sql)
cur.execute(sql)
conn.commit()
cur.close()
conn.close()
#创建数据表
def init_db(dbpath):
sql ='''
create table movie250
(
id integer primary key autoincrement,
info_link text,
pic_link text,
cname varchar,
ename varchar,
score numeric,
rated numeric,
instrodruction text,
info text
)
'''
# 创建数据表
conn = sqlite3.connect(dbpath)
cursor = conn.cursor()
cursor.execute(sql)
conn.commit()
conn.close()
if __name__ == "__main__" : #当程序执行时
#调用函数
#main()
init_db("movietest.db")
print("爬取完毕!")
|