豆瓣电影Top250爬虫

 

# -*- codeing = utf-8 -*-
# @Time : 2022/3/17 14:17
# @Author : 孙健
# @File : spider.py
# @Software : PyCharm

from bs4 import BeautifulSoup           #网页解析，获取数据
import sqlite3                          #进行SQLite数据库操作
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excel操作

def main():
    baseurl = "https://movie.douban.com/top250?start="
    #1.爬取数据
    datalist=getData(baseurl)
    savepath=".\\豆瓣电影Top.xls"
    dbpath="movie.db"
    #3.保存数据
    #saveData(datalist,savepath)
    saveData2DB(datalist,dbpath)
    #askURL("https://movie.douban.com/top250?start=")

#影片详情的链接的规则
findlink=re.compile(r'<a href="(.*?)">')                   #创建正则表达式对象，表示规则（字符串的模式）?一次或多次
#影片图片
findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S)           #re.S忽略换行符，让换行符包括在字符里
#影片篇名
findTitle=re.compile(r'<span class="title">(.*)</span>')
#影片评分
findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#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)                  #保存获取的页面源码
        # 2.逐一解析数据
        soup=BeautifulSoup(html,"html.parser")
        for item in soup.find_all('div',class_="item"):         #查找复符合要求的字符串，形成列表
            #print(item)#测试：查看电影item全部信息
            data=[]
            item=str(item)
            #print(item)
            #break

            #影片详情的链接
            link=re.findall(findlink,item)[0]                #re库用来通过正则表达式查找指定的字符串
            data.append(link)                               #添加链接

            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]
                data.append(ctitle)
                otitle=titles[1].replace("/","")                #去掉无关符号
                data.append(otitle.strip())
            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

            judageNum=re.findall(findJudge,item)[0]
            data.append(judageNum)                       #添加评价人数

            inq=re.findall(findInq,item)
            if len(inq)!=0:
                inq=inq[0].replace("。","")       #去掉句号
                data.append(inq)                  #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/
            bd=re.sub('\s+','',bd)
            data.append(bd.strip())               #去掉前后的空格

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

    return datalist

#得到指定一个URL网页的内容
def askURL(url):
    #用户代理，表示告诉豆瓣处理器，我们是什么类型的机器，浏览器（实质上是告诉浏览器，我们可以接收什么样的水平的文件内容）
    head={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.212 Safari/537.36 Edg/90.0.818.66"}
    #模拟浏览器头部信息，伪装浏览器
    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


#保存数据
def saveData(datalist,savepath):
    print("save...")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)  # 创建workbook对象
    sheet = book.add_sheet("豆瓣电影Top250",cell_overwrite_ok=True)  # 创建工作表
    col=("电影详情链接","图片链接","影片中文名","影片外文名","评分","评价人数","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)
        data=datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])               #数据

    book.save(savepath)                  #保存

def saveData2DB(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,pic_link,cname,ename,score,rated,introduction,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 ,
        introduction text,
        info text
        );      
    
    
    ''' #创建数据表
    conn=sqlite3.connect(dbpath)
    cursor=conn.cursor()
    cursor.execute(sql)
    conn.commit()
    conn.close()



if __name__ == '__main__':
    main()
    #init_db("movietest.db")
    print("爬取完毕")