Python爬取豆瓣电影的Top250（链接、电影名、评分和相关描述等属性）

       用了三天的时间学习了简单的爬虫爬取网站数据的过程，循序渐进但也充满趣味，涉及的知识点也很多，尤其是伪装成浏览器、正则表达式、解析网页内容、爬取的数据存档数据库等内容，这是笔者使用python跟做的第一爬虫项目，后续将对这个整个项目的原型进行逐步解析，以求对项目本身涉及的知识点更加的深刻！

from bs4 import BeautifulSoup
import re
import urllib
import xlwt
import sqlite3

datalist = []
# 主流程：获取数据、解析内容、保存数据
def main():
    baseurl = "https://movie.douban.com/top250?start="
    askURL(baseurl)
    # 爬取网页
    datalist = getData(baseurl)
    savepath = "豆瓣电影Top250.xls"

    dbpath = "movie.db"
    saveDataDB(datalist, dbpath)
    # 保存数据
    saveData(datalist, savepath)


def askURL(url):
    # 模拟浏览器头部信息，向豆瓣服务器发送信息
    head = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 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


# 影片详情链接的规则
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)
# 影片图片的链接
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)  # re.S 忽视换行符
# 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):  # 调用回去页面信息的函数 · 10次
        url = baseurl + str(i * 25)
        html = askURL(url)  # 保存获取到的网页源码
        # 逐一解析数据
        soup = BeautifulSoup(html, "html.parser")
        # 查找符合要求的字符串，形成列表
        for item in soup.find_all('div', class_='item'):
            # 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)

            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
            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc)

            titles = re.findall(findTitle, item)
            # data.append(titles)
            # 片名可能只有一个中文名，没有英文名
            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)

            judgeNum = re.findall(findJudge, item)[0]
            data.append(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

            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
            datalist.append(data)  # 把处理好的一部电影信息放入datalist
    for it in datalist:
        print(it)
    return datalist


# 保存数据
def saveData(datalist, savepath):
    book = xlwt.Workbook(encoding="utf-8", style_compression=0)  # 创建film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])  # 写入列名
    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])  # 写入数据

    book.save(savepath)  # 保存


def saveDataDB(datalist,dbpath):
    init_db(dbpath)
    conn = sqlite3.connect(dbpath)
    cur = conn.cursor()
    print("开始插入数据！")

    for data in datalist:
        for index in range(len(data)):
            if index == 4 or index == 5:
                continue
            print(data[index])
            data[index] = '"'+data[index]+'"'
        sql = '''
                insert into movie250 (
                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 movie250
		(
			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 = cursor.execute(sql)
    conn.commit()
    conn.close()
    print("数据表创建完成！")


if __name__ == "__main__":
    main()
    print("爬取完毕!")

下面是存档Excel表的数据集：

这是存储在数据库中显示的数据集信息：

总体的学习过程还是很充实，为后面的数据可视化以及数据的建模奠定基础。