基于Python爬虫爬取豆瓣Top250电影

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。

#-*- coding=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！")