80行代码爬取豆瓣Top250电影信息并导出到csv及数据库

查看源码

---

1 下载页面并处理

DOWNLOAD_URL = 'http://movie.douban.com/top250/'
html = requests.get(url).text
tree = lxml.html.fromstring(html)

---

2 提取数据

观察该网站html结构

可知该页面下所有电影包含在 ol 标签下。每个 li 标签包含单个电影的内容。

使用XPath语句获取该ol标签

movies = tree.xpath("//ol[@class='grid_view']/li")

在ol标签中遍历每个li标签获取单个电影的信息。

以电影名字为例

for movie in movies:
    name_num = len(movie.xpath("descendant::span[@class='title']"))
    name = ''
    for num in range(0, name_num):
        name += movie.xpath("descendant::span[@class='title']")[num].text.strip()
    name = ' '.join(name.replace('/', '').split())  # 清洗数据

其余部分详见源码

---

3 页面跳转

检查“后页”标签。跳转到下一页面

next_page = DOWNLOAD_URL + tree.xpath("//span[@class='next']/a/@href")[0]

返回None则已获取所有页面。

---

4 导入csv

创建csv文件

writer = csv.writer(open('movies.csv', 'w', newline='', encoding='utf-8'))
fields = ('rank',  'name', 'score', 'country', 'year', 'category', 'votes', 'douban_url')
writer.writerow(fields)

其余部分详见源码

---

5 导入数据库（以mysql为例）

1. 先在mysql中创建数据库与表，表的属性应与要插入的数据保持一致
2. 连接数据库db = pymysql.connect(host='127.0.0.1', port=3306, user='root', passwd=PWD, db='douban',charset='utf8')
   创建游标cur = db.cursor()
3. 将获取的电影信息导入数据库

sql = "INSERT INTO test(rank, NAME, score, country, year, " \
          "category, votes, douban_url) values(%s,%s,%s,%s,%s,%s,%s,%s)"
    try:
        cur.executemany(sql, movies_info)
        db.commit()
    except Exception as e:
        print("Error:", e)
        db.rollback()

---

6 效果显示

因Windows系统默认以ANSI编码打开Excel，所以直接用Excel打开csv文件会出现乱码，需对其重新编码。

---

以上所有内容可以在80行Python代码内完成，很简单吧。(｀・ω・´)