【爬虫】豆瓣电影

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！")