1.存入Excel表格的代码:
from bs4 import BeautifulSoup #网页解析,获取数据
import re #正则表达式,进行文字匹配
import urllib.request,urllib.error,urllib.parse #制定URL,获取网页数据
import xlwt #进行excel操作
import sqlite3 #进行SQLLite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)
askURL("https://movie.douban.com/top250?start=")
#影片详情链接的规则
findLink = re.compile(r'<a href="(.*?)">') #创建正则表达式,表示规则(字符串的模式)
#影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)#re.S让换行符出现在字符中
#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>')
#观看人数
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): #调用获取页面信息的函数 10次
url =baseurl + str(i*25)
html = askURL(url)
#2.逐一解析数据
soup =BeautifulSoup(html,"html.parser")#形成树形结构
for item in soup.find_all('div',class_="item"): #查找符合要求的字符串,形成列表
data = [] #保存一部电影的所有信息
item = str(item)
#link获取到影片详情
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) #
if(len(titles) == 2):
ctitle = titles[0] #添加中文名
data.append(ctitle)
otitle = titles[1].replace("/","") #添加外国名
data.append(otitle)
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
# data.append(inq)
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) #处理好的一部电影信息
print(datalist)
return datalist
#得到指定一个URL的网页内容
def askURL(url):
head = {
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36"
}
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="uft-8",style_compression=0) # 创建workbook对象
sheet = book.add_sheet("sheet1",cell_overwrite_ok=True) # 创建工作表
col = ("电影详情连接","图片链接","影片中文名","影片外国名","评分","评价人数","概况","相关信息")
for i in range(0,8):
sheet.write(0,i,col[i]) #列名
for i in range(0,250):
print("第%d条"%i)
data = datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j]) #数据
book.save(savepath) # 保存数据表
if __name__ == "__main__": #当程序执行时
main()
print("爬取完毕")
最终结果(excel表格):
2.利用sqlite数据库进行存取
sqlite数据库连接的常用语句
import sqlite3#建立数据库 conn = sqlite3.connect("test.db") #打开或创建数据库文件 print("Opened database successfully") c = conn.cursor() #获取游标 sql = '''需要填写的SQL语句 ''' c.execute(sql) #执行SQL语句 conn.commit() #提交数据库操作 conn.close() #关闭数据库
from bs4 import BeautifulSoup #网页解析,获取数据
import re #正则表达式,进行文字匹配
import urllib.request,urllib.error,urllib.parse #制定URL,获取网页数据
import xlwt #进行excel操作
import sqlite3 #进行SQLLite数据库操作
def main():
baseurl="https://movie.douban.com/top250?start="
#1.爬取网页
datalist=getData(baseurl)
#设置保存路径 dbpath为保存到sqlite中,savepath保存到Excel表格
dbpath ="moive.db"
#savepath="豆瓣电影Top250.xls"
#3.保存数据 saveData(datalist,savepath)保存到Excel表格,
#saveData(datalist,savepath)
saveData2(datalist,dbpath)
askURL("https://movie.douban.com/top250?start=")
#影片详情链接的规则
findLink = re.compile(r'<a href="(.*?)">') #创建正则表达式,表示规则(字符串的模式)
#影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)#re.S让换行符出现在字符中
#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>')
#观看人数
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): #调用获取页面信息的函数 10次
url =baseurl + str(i*25)
html = askURL(url)
#2.逐一解析数据
soup =BeautifulSoup(html,"html.parser")#形成树形结构
for item in soup.find_all('div',class_="item"): #查找符合要求的字符串,形成列表
data = [] #保存一部电影的所有信息
item = str(item)
#link获取到影片详情
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) #
if(len(titles) == 2):
ctitle = titles[0] #添加中文名
data.append(ctitle)
otitle = titles[1].replace("/","") #添加外国名
data.append(otitle)
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
# data.append(inq)
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) #处理好的一部电影信息
#print(datalist) #打印保存的数据
return datalist
#得到指定一个URL的网页内容
def askURL(url):
head = {
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36"
}
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="uft-8",style_compression=0) # 创建workbook对象
sheet = book.add_sheet("sheet1",cell_overwrite_ok=True) # 创建工作表
col = ("电影详情连接","图片链接","影片中文名","影片外国名","评分","评价人数","概况","相关信息")
for i in range(0,8):
sheet.write(0,i,col[i]) #列名
for i in range(0,250):
print("第%d条"%i)
data = datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j]) #数据
book.save(savepath) # 保存数据表
def saveData2(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 movie250(
info_link,pic_link,cname,ename,sorce,rated,instroduction,info)
values(%s)
'''%",".join(data)
print(sql)
cur.execute(sql)
conn.commit()
cur.close()
conn.close()
print("....")
def init_db(dbpath):
sql = '''
create table movie250
(id integer primary key autoincrement,
info_link text,
pic_link text,
cname varchar,
ename varchar,
sorce numeric,
rated numeric,
instroduction text,
info text
)
''' #创建数据表
conn = sqlite3.connect(dbpath)#打开或创建数据库文件
cursor = conn.cursor()
cursor.execute(sql)
conn.commit()
conn.close()
if __name__ == "__main__": #当程序执行时
main()
print("爬取完毕")
运行结果: