# -*- 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")