爬取 豆瓣电影 中的电影的 “电影详情连接”,“图片链接”,“中文名”,“外文名”,“评分”,“评论数”,“概况”,“相关信息”
#-*- coding = utf-8 -*-
#@Time:2020/7/15 11:37
#@Author:胡学好
#@File:01爬取豆瓣图书.py
#@Software:PyCharm
#@Emial:
#@Theme:
#引入系统模块
from bs4 import BeautifulSoup #网页解析
import re #正则表达式
import urllib.request,urllib.error #指定url,获取网页数据
import xlwt #进行Excel操作
import _sqlite3 #进项SQLite数据库操作
def main():
baseurl="https://movie.douban.com/top250?start="
#1.爬取网页
datalist=getData(baseurl)
# 3.保存数据
# #存放在Excel中
"""savePath="豆瓣电影Top250.xls"
saveData(datalist,savePath)"""
#保存到数据库中
dbpath = "move250.db"
saveDatadb(datalist,dbpath)
# askUrl("https://movie.douban.com/top250?start=0")
"""数据提取时需要满足的正则表达式"""
#影片详情连接的规则
findlink=re.compile(r'<a href="(.*?)">',re.S) #创建正则表达式对象
#影片图片
findimgsrc=re.compile(r'<img.*src="(.*?)"',re.S) #re.S表示忽略换行符
#影片的片名
findname=re.compile(r'<span class="title">(.*?)</span>',re.S)
#影片的评分
findrating=re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>',re.S)
#影片的评价人数
findjuge=re.compile(r'<span>(\d*)人评价</span>',re.S)
#影片概况
findinq=re.compile(r'<span class="inq">(.*?)</span>',re.S)
#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调用10次
url=baseurl + str(i*25) #定义每一页的路径
html=askUrl(url) #保存获取到的源码
#2.逐一解析数据
soup=BeautifulSoup(html,"html.parser")
for item in soup.find_all('div',class_="item"):#查找class为item的div
# print(item)#测试查看电影item全部信息
data=[] #保存一部电影的全部信息
item = str(item)
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)#追加到data
imgsrc=re.findall(findimgsrc,item)[0]#找图片连接
data.append(imgsrc)
name=re.findall(findname,item)#片名可能只有一个中文名
if len(name)==2:
cname=name[0] #添加中文名
data.append(cname)
oname=name[1].replace("/","")#去掉无关符号
data.append(oname) #添加外国名
else:
data.append(name[0])
data.append('') #把外国名留空
rating=re.findall(findrating,item)[0]
data.append(rating) #添加评分
juge=re.findall(findjuge,item)[0]
data.append(juge) #添加评论人数
inq=re.findall(findinq,item)
if len(inq)!=0:
inq=inq[0].replace("。","") #去掉句号
data.append(inq)#添加影片概况
else:
data.append('')
bd=re.findall(findbd,item)[0]
# bd=re.sub('<br(\s+?)/>(\s+?)',"",bd) #去掉<br/>
bd = re.sub('<br/>',"",bd) # 去掉<br>
bd=re.sub('/',"",bd) #替换/
data.append(bd.strip()) # .strip()是去掉前后的空格;添加影片的相关内容
datalist.append(data) #把处理好的一部电影的信息放入datalist
# for j in datalist:
# print(j) #打印测试
return datalist
#得到一个指定URL的网页内容
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;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 83.0.4103.116Safari / 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内容)
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 e:
if hasattr(e,"code"):
print(e.code)
if hasattr(e,"reason"):
print(e.reason)
return html
#3.保存数据(Excel)
def saveData(datalist,savePath):
print("save....")
book = xlwt.Workbook(encoding="utf-8",style_compression=0) # 创建book对象
sheet = book.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True) # 创建工作表
col=("电影详情连接","图片链接","中文名","外文名","评分","评论数","概况","相关信息")
for i in range(0,8):
sheet.write(0,i, col[i])
for i in range(0,250):
print("已写入第%d条"%(i+1))
data=datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j])
book.save(savePath)
#3.保存数据(数据库)
def saveDatadb(datalist,dbpath):
init_db(dbpath)
conn=_sqlite3.connect(dbpath) #打开数据库文件
cur=conn.cursor() #获取游标
for data in datalist:
for index in range(len(data)):
if index==4 or index==5:
continue
data[index]='"'+data[index]+'"' #给指定的内容加上上引号
sql='''
insert into moves250 (
movelink,imglink,cname,oname,sorce,ping,gaikung,xinxi
)
values (%s) #%s是站位作用
'''%",".join(data) #",".join(data)的意思是将data列表中的内容使用‘,’连接起来
cur.execute(sql) #执行SQL语句
conn.commit() #提交数据库操作
"""查询测试"""
# sql2="select cname from moves250;"
# result=cur.execute(sql2)
# for i in result:
# print(i)
conn.close() #关闭数据库连接
#建数据表
def init_db(dbpath):
sql='''
create table moves250 (movelink text,imglink text,cname varchar,oname varchar,sorce numeric,ping numeric,gaikung text,xinxi text
);
'''
conn=_sqlite3.connect(dbpath) #打开或创建数据库文件
cursor=conn.cursor() #获取游标
cursor.execute(sql) #执行SQL语句
conn.commit() #提交数据库操作
conn.close() #关闭数据库连接
print("数据库创建成功!")
if __name__ == '__main__': #当程序执行时
#调用函数
main()
print("爬取成功!")