python简单爬虫-豆瓣电影

爬虫数据保存excel表或mysql数据库

# -*- coding: utf-8 -*-
# @Time    : 2020/11/23 19:31
# @Author  : SHeep_o5
# @File    : spider.py
# @Software: PyCharm
from bs4 import BeautifulSoup
import re
import urllib.request,urllib.error
import xlwt
import pymysql

host='localhost'
user='root'
passwd='000010'
database=dbpath="movietest"

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)
    saveData2DB(datalist)
    # askURL('https://movie.douban.com/top250?start=')


#影片超链接的规则
findLink=re.compile(r'<a href="(.*?)">')        #创建正则表达式
#影片的图片
findImgSrc=re.compile(r'<img .*?src="(.*?)"',re.S)      #re.S 将.的概念匹配到任何字符
#影片片名
findTitle=re.compile(r'<span class="title">(.*?)</span>')
#影片的评分
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)



#得到指定一个URL的网页内容
def askURL(url):
    head={         #模拟浏览器的头部信息，像豆瓣服务器发送消息
        "User-Agent": "Mozilla / 5.0 (Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 87.0.4280.66Safari / 537.36"
    }
    #用户代理，表示告诉豆瓣，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受什么水平的文件）

    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




#1.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
        url=baseurl+str(i*25)
        html=askURL(url)#保存获取到的网页源码


        #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)

            #获取影片的超链接
            link=re.findall(findLink,item)[0]   #re库通过正则表达式查找指定字符串
            data.append(link)

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

            titles=re.findall(findTitle,item)
            if len(titles)==2:
                ctitle=titles[0]        #添加中文名
                data.append(ctitle)
                otitle=titles[1].replace('/','')    #去掉无关符号
                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('。','')   #替换句号
                data.append(inq)
            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)
            data.append(bd.strip())    #去掉前后的空格

            datalist.append(data)   #处理好的一部电影信息

    return datalist



#3.保存数据(excel)
def saveData(datalist,savepath):
    book = xlwt.Workbook(encoding='utf-8')  # 创建workbook对象
    sheet = book.add_sheet('豆瓣top250')  # 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])
    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])

    book.save(savepath)  #保存
    print('...')

#3.保存数据(数据库)
def saveData2DB(datalist):
    init_db()
    conn=pymysql.connect(host,user,passwd,database)
    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,score,rated,instroduction,info)
             values(%s)'''%",".join(data)
        cur.execute(sql)
        conn.commit()
    cur.close()
    conn.close()


def init_db():
    conn=pymysql.connect(host,user,passwd)
    cursor = conn.cursor()
    cursor.execute('CREATE DATABASE IF NOT EXISTS '+dbpath+' DEFAULT CHARSET utf8 COLLATE utf8_general_ci;')
    conn.commit()
    cursor.close()
    conn.close()
    conn = pymysql.connect(host, user, passwd,database)
    sql='''
        create table movie250
        (
        id int primary key AUTO_INCREMENT,
        info_link varchar(100),
        pic_link varchar(100),
        cname varchar(100),
        ename varchar(100),
        score double,
        rated int,
        instroduction varchar(100),
        info varchar(150)
        )
    '''
    cursor = conn.cursor()
    cursor.execute(sql)
    conn.commit()
    cursor.close()
    conn.close()



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