xml存取:
from bs4 import BeautifulSoup#网页解折: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exceL操作
import sqlite3 #进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"
#3、保存数据
saveData(datalist,savepath)
#影片详情的规则
findLink = re.compile(r'<a href="(.*?)">',re.S)
#影片的图片
findImgSrc = re.compile(r'<img.*src="(.*?)" width="100"/>',re.S) #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')
#找到评价的人数
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(0,1): #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
# print(item) #测试查看电影item全部信息
data = [] #保存一部电影的所有信息
item = str(item)
#影片详情的链接
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)
imgSrc = re.findall(findImgSrc,item)[0]
data.append(imgSrc) #添加图片
titles = re.findall(findTitle,item) #片名可能只有一个中文名,没有外国名
if(len(titles)==2):
ctitle = titles[0]
data.append(ctitle) #添加中文名
otitle = titles[1].replace("/","")
data.append(otitle) # 添加中文名
else:
data.append(titles[0])
data.append(' ') #外国名字留空
rating = re.findall(findRating,item)[0]
data.append(rating) # 添加评分
judgeNum = re.findall(findJudge,item)[0]
data.append(judgeNum) # 添加评价人数
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
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()) # 去掉前后空格
datalist.append(data) #把处理好的一部定影信息放入datalist
return datalist
#得到指定url的网页内容
def askURL(url):
#模拟浏览器头部信息.向豆瓣服务器发送消息
head={"User-Agent": "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.81 Safari/537.36 SE 2.X MetaSr 1.0"}
# 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:我们以接收什么水平的
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("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","影片外国名","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(0,25):
print("第%d条"%(i+1))
data = datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j]) #数据
book.save('student.xls') #保存
if __name__ == '__main__':
#调用函数
main()
print("爬取完毕")
from bs4 import BeautifulSoup # 网页解折: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exceL操作 import sqlite3 # 进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" dbpath = "movie.db" # 3、保存数据 # saveData(datalist,savepath) saveData2DB(datalist, dbpath) # 影片详情的规则 findLink = re.compile(r'<a href="(.*?)">', re.S) # 影片的图片 findImgSrc = re.compile(r'<img.* src="(.*?)" width="100"/>', re.S) # 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') # 找到评价的人数 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, 1): # 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 # print(item) #测试查看电影item全部信息 data = [] # 保存一部电影的所有信息 item = str(item) # 影片详情的链接 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) imgSrc = re.findall(findImgSrc, item)[0] data.append(imgSrc) # 添加图片 titles = re.findall(findTitle, item) # 片名可能只有一个中文名,没有外国名 if (len(titles) == 2): ctitle = titles[0] data.append(ctitle) # 添加中文名 otitle = titles[1].replace("/", "") data.append(otitle) # 添加中文名 else: data.append(titles[0]) data.append(' ') # 外国名字留空 rating = re.findall(findRating, item)[0] data.append(rating) # 添加评分 judgeNum = re.findall(findJudge, item)[0] data.append(judgeNum) # 添加评价人数 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 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()) # 去掉前后空格 datalist.append(data) # 把处理好的一部定影信息放入datalist return datalist # 得到指定url的网页内容 def askURL(url): # 模拟浏览器头部信息.向豆瓣服务器发送消息 head = { "User-Agent": "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.81 Safari/537.36 SE 2.X MetaSr 1.0"} # 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:我们以接收什么水平的 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("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", "影片外国名", "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, 25): print("第%d条" % (i + 1)) data = datalist[i] for j in range(0, 8): sheet.write(i + 1, j, data[j]) # 数据 book.save('student.xls') # 保存 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 movie25( info_link,pic_link,cname,ename,score,rated,instroduction,info) values(%s)''' % ",".join(data) print(sql) cur.execute(sql) conn.commit() cur.close() conn.close() def init_db(dbpath): sql = ''' create table movie25 ( id integer primary key autoincrement, info_link text, pic_link text, cname varchar, ename varchar, score numeric, rated numeric, instroduction 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__': # 调用函数 main() print("爬取完毕")