爬虫实战——爬取豆瓣电影Top250榜单电影

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。