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")