爬虫实战——爬取豆瓣电影Top250榜单电影
话不多说直接上代码 注释较为详细
import re # 正则表达式,进行文字匹配
import urllib.request, urllib.error # 制定url,获取网页数据
import xlwt # 进行excal操作
import sqlite3 # 进行SQLite操作
from bs4 import BeautifulSoup # 进行网页解析,获取数据
def main():
baseurl = "https://movie.douban.com/top250?start="
#1. 爬取网页
datalist = getData(baseurl)
dbpath = "movie.db"
#3. 保存数据
savaDataDB(datalist, dbpath)
# 影片详情链接规则
findLink = re.compile(r'<a href="(.*?)">') # 生成正则表达式对象,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 让换行符包含在字符中
# 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>')
# 影片评价人数
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): # 调用获取页面信息的函数,10次
url = baseurl + str(i*25)
html = askURL(url) # 保存获取到的网页源码
#2 逐一解析数据
soup = BeautifulSoup(html, 'html.parser') # 用html.parser解析器
for item in soup.find_all('div', class_="item"): # 查找复合要求的字符串形成列表
# print(item) # 测试查看电影item的全部信息
data = [] # 保存一部电影的所有信息
item = str(item)
# print(item)
# 影片详情链接
link = re.findall(findLink, item)[0] # re库通过正则表达式进行查找制定的字符串
data.append(link) # 添加链接
# print(link)
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,没有外文名
if len(titles) == 2 :
ctitle = titles[0] # 添加中文名
data.append(ctitle) # 添加外国名
otitle = titles[1].replace("/","") # 把无关的符号去掉
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("。","")
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()) #去掉空格
datalist.append(data) #把处理好的一部电影信息放入datalist
# print(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,向豆瓣服务器发送消息
"User-Agent": "Mozilla/5.0 (Windows NT 10.0) Gecko/20100101 Firefox/74.0"
}
# 用户代理: 告诉豆瓣服务器,我们是什么类型机器,浏览器(本质上是告诉浏览器,我们可以接受什么)
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
#3. 保存数据
def savaData(datalist, savapath):
book = xlwt.Workbook(encoding="utf-8", style_compression=0)
sheet = book.add_sheet('豆瓣电影TOP250', cell_overwrite_ok=True)
col = ("电影详情链接","图片链接","图片中文名","图片外国名","评分","评价数","概况","相关信息")
for i in range(0, 8):
sheet.write(0, i, col[i]) # 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])
book.save(savapath) # 保存
def savaDataDB(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]+'"'
sql = '''
insert into movie250(
info_link,poc_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,
poc_link text,
cname varchar,
ename varchar,
score numeric,
rated numeric,
instroduction text,
info text
)
''' # 创建数据库
conn = sqlite3.connect(dbpath)
cursor = conn.cursor()
cursor.execute(sql)
conn.commit()
conn.close()
main()
爬取的部分数据
感兴趣的小伙伴可以在Jupyter或者Pycharm上直接运行。