【python】爬虫实操 完整案例 -- 豆瓣前250电影输出为 .xls文件

安装包

from bs4 import BeautifulSoup #网页解析
import re       #正则表达式
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

框架1

def main():
    baseurl = "https://movie.douban.com/top250"
    #1.爬取网页
    datalist = getData(baseurl)
    savepath = ".\\豆瓣电影Top.xls"
    #3.保存数据
    saveData(savepath)
    
#爬取网页
def getData(baseurl):
    datalist = []
    #2.逐一解析数据
    return datalist
        
def saveData(savepath):
    print("save.....")
    
if __name__ == '__main__':
    main()    

完整实例—豆瓣250，输出为 .xls文件

# -*- coding = utf-8 -*-
# @Time : 2021/4/8 13:00
# @Author : AI Miner
# @File : spider.py
# @Software: PyCharm

from bs4 import BeautifulSoup #网页解析
import re       #正则表达式
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Top.xls"
    #3.保存数据
    saveData(datalist,savepath)

    #askURL("https://movie.douban.com/top250?start=0")
#影片详情连接的规则
findLink = re.compile(r'<a href="(.*?)">')  #创建正则表达式对象，表示规则(字符串模式)
#影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)  #re.S 让换行符包含在字符中
#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(0,10):                                #调用获取网页信息函数，10 次
        url = baseurl + str(i*25)
        html = askURL(url)

        #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信息
            data = [] #保存一部电影所有信息
            item = str(item)

            #获取影片详情链接
            link = re.findall(findLink,item)[0]     #re库用来通过正则表达式查找指定字符串
            data.append(link)                       #添加链接

            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("/","")  #去掉无关的符号
                data.append(otitle)                 #添加外国名
            else:
                data.append(titles[0])
                data.append(' ')                    #外国名留空

            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)                   #把出来好的一部电影信息放入datalist

    return datalist

#得到指定一个URL的网页内容
def askURL(url):
    head = {        #模拟浏览器头部信息，向豆瓣服务器发送信息
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.80 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（本质上是告诉浏览器，我们可以接受什么水平的文件内容）

    request = urllib.request.Request(url,headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
        #print(html)
    except 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","概识","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])  #数据

    book.save(savepath)            #保存
if __name__ == '__main__':
    main()
    print("爬取完毕")

完整实例—豆瓣250，输出为 数据库文件

注释：
#1 .id integer（数据类型） primary key （主键）autoincrement（自增长）

#2.

# -*- coding = utf-8 -*-
# @Time : 2021/4/8 13:00
# @Author : AI Miner
# @File : spider.py
# @Software: PyCharm

from bs4 import BeautifulSoup #网页解析
import re       #正则表达式
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Top.xls"
    dbpath = "movie.db"
    #3.保存数据
    # saveData(datalist,savepath)
    saveData2DB(datalist,dbpath)
    #askURL("https://movie.douban.com/top250?start=0")
#影片详情连接的规则
findLink = re.compile(r'<a href="(.*?)">')  #创建正则表达式对象，表示规则(字符串模式)
#影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)  #re.S 让换行符包含在字符中
#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(0,10):                                #调用获取网页信息函数，10 次
        url = baseurl + str(i*25)
        html = askURL(url)

        #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信息
            data = [] #保存一部电影所有信息
            item = str(item)

            #获取影片详情链接
            link = re.findall(findLink,item)[0]     #re库用来通过正则表达式查找指定字符串
            data.append(link)                       #添加链接

            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("/","")  #去掉无关的符号
                data.append(otitle)                 #添加外国名
            else:
                data.append(titles[0])
                data.append(' ')                    #外国名留空

            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)                   #把出来好的一部电影信息放入datalist

    return datalist

#得到指定一个URL的网页内容
def askURL(url):
    head = {        #模拟浏览器头部信息，向豆瓣服务器发送信息
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.80 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（本质上是告诉浏览器，我们可以接受什么水平的文件内容）

    request = urllib.request.Request(url,headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
        #print(html)
    except 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","概识","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])  #数据

    book.save(savepath)            #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)):
            data[index] = '"'+data[index]+'"'
            if index == 4 or index == 5:
                continue
        sql = '''
                insert into movie250 ( 
                info_link,pic_link,cname,ename,score,rated,introduction,info)
                values (%s)'''%",".join(data)
        print(sql)
        cur.execute(sql)
        conn.commit()
    cur.close()
    conn.close()


#创建并初始化数据库
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 ,
        introduction text,
        info text
        )
    '''  #创建数据表
    conn = sqlite3.connect(dbpath)#用sqlite3连接
    cursor = conn.cursor()#创建游标
    cursor.execute(sql)#用游标执行sql语句
    conn.commit()#提交
    conn.close()#关闭

if __name__ == '__main__':         #当程序进行时
#调用数据
    main()
    # init_db("movietest.db")
    print("爬取完毕")