Python爬虫项目实操（附代码）--------（1）

最近在学习爬虫的相关知识，跟着课程做了一个豆瓣的爬虫项目，爬虫部分有一百多行的代码，有一些复杂，下面贴上代码和跟着做的一些笔记，大家可以参考一下。

爬虫主要分为三个步骤 ：

（1）爬取网页

       在爬取网页时要注意模拟浏览器头部信息，将自己伪装成浏览器，向服务器发送消息，防止直接爬取时报错。

（2）逐一解析数据

       在拿到爬取好的数据后，要解析数据，去掉没有用的，将需要的数据统一提取出来。

（3）保存数据

       将数据存储在excel表中和数据库中，方便后续操作

# -*- codeing = utf-8 -*-
# @Time : 2022/7/9 10:23
# @Author : my
# @File : spider.py
# @Software : PyCharm

#import bs4   #网页解析，获取数据（将网页进行数据拆分）
from bs4 import BeautifulSoup      #只调用BeautifulSoup这个模块
import re    #正则表达式，进行文字匹配 （进行数据的提炼）
import urllib.request,urllib.error   #制定URL，获取网页数据（给网页就可以爬取数据）
import xlwt   #进行excel操作（将数据存放到excel中）
import sqlite3  #进行SQLite数据库操作（将数据库存放到数据库中）

def main():
    baseurl = "https://movie.douban.com/top250?start="
    #1.爬取网页
    datalist = getDate(baseurl)
    #savepath = "豆瓣电影Top250.xls"   #按住ctrl会出现蓝色下划线，点击，就可以快速定义到下面对应的代码
    dbpath = "movie.db"
    #3.保存数据
    #savaData(datalist,savepath)
    saveData2DB(datalist,dbpath)
    #askURL("https://movie.douban.com/top250?start=")


#影片链接
findLink = re.compile(r'<a href="(.*?)">')    #创建正则表达式对象，表示规则
#影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)   #(.*?)表示字符0次到多次的出现，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>') #（\d*)表示有0-多个数字
#影片概况
findIng = 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 getDate(baseurl):
    datalist = []
    for i in range(0,10):
        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"):
        #class加“_”,表示class属性，查找符合要求的所有字符串，形成列表
            #print(item)   #测试：查看一部电影的所有信息
            data = []
            item = str(item)
            #影片详情的链接
            link = re.findall(findLink,item)[0]   #[0]表示只要找到的第一个字符串，re库通过正则表达式来查找指定字符串
            data.append(link)

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

            titles = re.findall(findTitle,item)  #片名可能只有一个中文名，没有外国名
            if(len(titles)==2):
                ctitle = titles[0]    #添加中文名
                data.append(ctitle)
                otitle = titles[1].replace("/","")   #去掉无关的符号
                data.append(otitle)   #添加外国名
            else:
                data.append(titles[0])
                data.append(' ')   #外国名若没有，要留空

            rating = re.findall(findRating,item)[0]
            data.append(rating)

            judgeNum = re.findall(findJudge,item)[0]
            data.append(judgeNum)

            ing = re.findall(findIng,item)
            if len(ing) != 0:
                ing = ing[0].replace("。","")  #去掉句号
                data.append(ing)  #添加概述
            else:
                data.append(" ")

            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())

            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，将自己伪装成浏览器，向豆瓣服务器发送消息
        "User-Agent": "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 103.0.0.0Safari / 537.36"
        #用户代理，表示告诉豆瓣服务器，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内容
    }
    request = urllib.request.Request(url,headers=head) #封装了一个url（访问的网站是什么），头部信息
    html = ""    #将它存到一个网站上
    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 savaData(datalist,savepath):
    print("save.....")
    book = xlwt.Workbook(encoding="utf-8")  #创建workbook对象
    sheet = book.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True)    #创建工作表,cell_overwrite_ok表示每个单元存储的时候都要覆盖之前的内容
    col=("电影详情链接","图片链接","影片中文名","影片外文名","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 + 1))
        data = datalist[i]
        for j in range(0, 8):
            sheet.write(i + 1, j, data[j])    #数据
    book.save(savepath)

def saveData2DB(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,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,
        pic_link text,
        cname varchar,
        ename varchar,
        score numeric,
        rated numeric,
        instroduction text,
        info text
        )
    '''     #创建数据表
    conn = sqlite3.connect(dbpath)    #打开创建数据库
    cursor = conn.cursor()
    cursor.execute(sql)
    conn.commit()
    conn.close()


if __name__ =="__main__":     #当程序执行时
#调用函数,是整个程序调用的入口
    main()
    print("爬取完毕")

这是最后爬取完存放在excel中的样子