python爬取电影网站存储于数据库_python爬虫 猫眼电影和电影天堂数据csv和mysql存储过程解析...

于 2020-12-11 23:55:53 发布
阅读量2.1k 收藏 2
点赞数
文章标签： python爬取电影网站存储于数据库

字符串常用方法

# 去掉左右空格

'hello world'.strip() # 'hello world'

# 按指定字符切割

'hello world'.split(' ') # ['hello','world']

# 替换指定字符串

'hello world'.replace(' ','#') # 'hello#world'

csv模块

作用：将爬取的数据存放到本地的csv文件中

使用流程

导入模块

打开csv文件

初始化写入对象

写入数据(参数为列表)

import csv

with open('test.csv','w') as f:

writer = csv.writer(f) # 初始化写入对象

# 写一行

writer.writerow(['超哥哥',20])

writer.writerow(['步惊云',22])

with open('test.csv','a') as f:

writer = csv.writer(f)

# 写多行

data_list = [('聂风',23),('秦霜',30)]

writer.writerows(data_list)

Windows中使用csv模块默认会在每行后面添加一个空行，使用newline=''可解决

with open('xxx.csv','w',newline='') as f:

猫眼电影top100抓取案例

确定URL网址

猫眼电影 - 榜单 - top100榜 目标

电影名称、主演、上映时间 操作步骤

1、查看是否为动态加载

右键 - 查看网页源代码 - 搜索爬取关键字(查看在源代码中是否存在)

2、找URL规律

第1页：https://maoyan.com/board/4?offset=0

第2页：https://maoyan.com/board/4?offset=10

第n页：offset=(n-1)*10

3、正则表达式

.*?title="(.*?)".*?class="star">(.*?).*?releasetime">(.*?)

4、编写程序框架，完善程序

打印程序执行时间

随机的User-Agent,(确保每次发请求使用随机)

数据爬下来后做处理(字符串),定义成字典

一条龙: 获取 -> 调用解析 -> 数据处理

猫眼电影数据存入本地 maoyanfilm.csv 文件

from urllib import request

import time

import re

import csv

import random

class MaoyanSpider(object):

def __init__(self):

self.page = 1 # 用于记录页数

self.url = 'https://maoyan.com/board/4?offset={}'

self.agent = [

'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 \

Safari/535.1',

'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0',

'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; \

.NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)',

'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1']

# 请求

def get_page(self, url):

headers = {'User-Agent': random.choice(self.agent)} # 每次使用随机的user-agent

req = request.Request(url=url, headers=headers) # 创建请求对象

res = request.urlopen(req) # 发起请求

html = res.read().decode('utf-8') # 获取请求内容

self.parse_page(html) # 直接调用解析函数

# 解析

def parse_page(self, html):

pattren = re.compile(

'

.*?title="(.*?)".*?class="star">(.*?).*?releasetime">(.*?)', re.S)

r_list = pattren.findall(html)

# rlist: [('霸王别姬', '\n 主演：张国荣,张丰毅,巩俐\n ', '上映时间：1993-01-01'),(...),(...)]

self.write_page(r_list) # 写入csv文件

# # 保存,打印输出

# def write_page(self,r_list):

# one_film_dict = {}

# for rt in r_list:

# one_film_dict['name'] = rt[0].strip()

# one_film_dict['star'] = rt[1].strip()

# one_film_dict['time'] = rt[2].strip()[5:15]

#

# print(one_film_dict)

# 保存到csv文件(writerows) -- 推荐使用此方法

def write_page(self, r_list):

# 空列表,最终writerows()的参数: [(),(),()]

film_list = []

with open('maoyan.csv', 'a',newline="") as f:

writer = csv.writer(f)

for rt in r_list:

# 把处理过的数据定义成元组

t = (rt[0], rt[1].strip(), rt[2].strip()[5:15])

film_list.append(t)

writer.writerows(film_list)

def main(self):

for offset in range(0, 31, 10):

url = self.url.format(offset)

self.get_page(url)

time.sleep(random.randint(1, 3))

print('第%d页爬取完成' % self.page)

self.page += 1

if __name__ == '__main__':

start = time.time()

spider = MaoyanSpider()

spider.main()

end = time.time()

print('执行时间: %.2f' % (end - start))

数据持久化存储(MySQL数据库)

让我们来回顾一下pymysql模块的基本使用

import pymysql

db = pymysql.connect('localhost', 'root', '123456', 'maoyandb', charset='utf8')

cursor = db.cursor() # 创建游标对象

# execute()方法第二个参数为列表传参补位

cursor.execute('insert into film values(%s,%s,%s)', ['霸王别姬', '张国荣', '1993'])

db.commit() # 提交到数据库执行

cursor.close() # 关闭

db.close()

让我们来回顾一下pymysql中executemany()的用法

import pymysql

# 数据库连接对象

db = pymysql.connect('localhost', 'root', '123456', charset='utf8')

cursor = db.cursor() # 游标对象

ins_list = [] # 存放所有数据的大列表

for i in range(2):

name = input('请输入第%d个学生姓名:' % (i + 1))

age = input('请输入第%d个学生年龄:' % (i + 1))

ins_list.append([name, age])

ins = 'insert into t3 values(%s,%s)' # 定义插入语句

cursor.executemany(ins, ins_list) # 一次数据库的IO操作可插入多条语句，提升性能

db.commit() # 提交到数据库执行

cursor.close() # 关闭游标

db.close() # 关闭数据库

ins = 'insert into maoyanfilm values(%s,%s,%s)'

cursor.execute(['霸王', '国荣', '1991'])

cursor.executemany([

['月光宝盒', '周星驰', '1993'],

['大圣娶亲', '周星驰', '1993']])

练习：把猫眼电影案例中电影信息存入MySQL数据库中(尽量使用executemany方法)

from urllib import request

import time

import re

import pymysql

import random

class MaoyanSpider(object):

def __init__(self):

self.page = 1 # 用于记录页数

self.url = 'https://maoyan.com/board/4?offset={}'

self.ua_list = [

'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) \

Chrome/14.0.835.163 Safari/535.1',

'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0',

'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; \

.NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)']

# 创建数据库连接对象和游标对象

self.db = pymysql.connect('localhost', 'root', '123456', 'maoyandb', charset='utf8')

self.cursor = self.db.cursor()

# 获取

def get_page(self, url):

# 每次使用随机的user-agent

headers = {'User-Agent': random.choice(self.ua_list)}

req = request.Request(url=url, headers=headers)

res = request.urlopen(req)

html = res.read().decode('utf-8')

self.parse_page(html) # 直接调用解析函数

# 解析

def parse_page(self, html):

pattren = re.compile(

'

.*?title="(.*?)".*?class="star">(.*?).*?releasetime">(.*?)', re.S)

# rlist: [('霸王别姬','张国荣','1993'),(),()]

r_list = pattren.findall(html)

print(r_list)

self.write_page(r_list)

# 存入mysql数据库(executemany([ [],[],[] ]))

def write_page(self, r_list):

film_list = []

ins = 'insert into filmtab values(%s,%s,%s)' # 定义插入语句

# 处理数据,放到大列表film_list中

for rt in r_list:

one_film = [rt[0], rt[1].strip(), rt[2].strip()[5:15]]

# 添加到大列表中

film_list.append(one_film)

# 一次数据库IO把1页数据存入

self.cursor.executemany(ins, film_list)

# 提交到数据库执行

self.db.commit()

def main(self):

for offset in range(0, 31, 10):

url = self.url.format(offset)

self.get_page(url)

time.sleep(random.randint(1, 3))

print('第%d页爬取完成' % self.page)

self.page += 1

# 断开数据库(所有页爬完之后)

self.cursor.close()

self.db.close()

if __name__ == '__main__':

start = time.time()

spider = MaoyanSpider()

spider.main()

end = time.time()

print('执行时间: %.2f' % (end - start))

让我们来做个SQL命令查询

1、查询20年以前的电影的名字和上映时间

select name,time from filmtab where time

2、查询1990-2000年的电影名字和上映时间

select name,time from filmtab where time>='1990-01-01' and time<='2000-12-31';

让我们来复习一下mongdb数据库

import pymongo

# 1.连接对象

conn = pymongo.MongoClient(host='127.0.0.1', port=27017)

db = conn['maoyandb'] # 2.库对象

myset = db['filmtab'] # 3.集合对象

myset.insert_one({'name': '赵敏'}) # 4.插入数据库

练习：把猫眼电影案例中电影信息存入MongDB数据库中

from urllib import request

import re

import time

import random

import pymongo

class MaoyanSpider(object):

def __init__(self):

self.url = 'https://maoyan.com/board/4?offset={}'

# 计数

self.num = 0

# 创建3个对象

self.conn = pymongo.MongoClient('localhost', 27017)

self.db = self.conn['maoyandb']

self.myset = self.db['filmset']

self.ua_list = [

'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',

'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0',

'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET \

CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)', ]

def get_html(self, url):

headers = {

'User-Agent': random.choice(self.ua_list)

}

req = request.Request(url=url, headers=headers)

res = request.urlopen(req)

html = res.read().decode('utf-8')

# 直接调用解析函数

self.parse_html(html)

def parse_html(self, html):

re_bds = r'

.*?title="(.*?)".*?class="star">(.*?).*?releasetime">(.*?)'

pattern = re.compile(re_bds, re.S)

# film_list: [('霸王别姬','张国荣','1993'),()]

film_list = pattern.findall(html)

# 直接调用写入函数

self.write_html(film_list)

# mongodb数据库

def write_html(self, film_list):

for film in film_list:

film_dict = {

'name': film[0].strip(),

'star': film[1].strip(),

'time': film[2].strip()[5:15]

}

# 插入mongodb数据库

self.myset.insert_one(film_dict)

def main(self):

for offset in range(0, 31, 10):

url = self.url.format(offset)

self.get_html(url)

time.sleep(random.randint(1, 2))

if __name__ == '__main__':

start = time.time()

spider = MaoyanSpider()

spider.main()

end = time.time()

print('执行时间:%.2f' % (end - start))

电影天堂案例(二级页面抓取)

1、查看是否为静态页面，是否为动态加载

右键 - 查看网页源代码

2、确定URL地址

百度搜索 ：电影天堂 - 2019年新片 - 更多

3、目标

*********一级页面***********

1、电影名称

2、电影链接

*********二级页面***********

1、下载链接

4、步骤

找URL规律

第1页 ：https://www.dytt8.net/html/gndy/dyzz/list_23_1.html

第2页 ：https://www.dytt8.net/html/gndy/dyzz/list_23_2.html

第n页 ：https://www.dytt8.net/html/gndy/dyzz/list_23_n.html

写正则表达式

1、一级页面正则表达式(电影名称、电影详情链接)

(.*?)

2、二级页面正则表达式

.*? (.*?)', re.S)

# film_list: [('详情链接','名称'),()]

film_list = pattern.findall(html)

# [('/html/gndy/dyzz/20190806/58956.html', '019年惊悚动作《报仇雪恨/血债血偿》BD中英双字幕'),(),()]

ins = 'insert into filmsky values(%s,%s)'

for film in film_list:

film_name = film[1]

film_link = 'https://www.dytt8.net' + film[0]

# 2. 拿到详情链接后,再去获取详情链接html,提取下载链接

download_link = self.parse_two_html(film_link)

self.cursor.execute(ins, [film_name, film_link])

self.db.commit()

# 打印测试

d = {'电影名称': film_name, '下载链接': download_link}

print(d)

# {'电影名称': '019年惊悚动作《报仇雪恨/血债血偿》BD中英双字幕', '下载链接': 'ftp://ygdy8:ygdy8@yg90.dydytt.net:8590/阳光电影www.ygdy8.com.报仇雪恨.BD.720p.中英双字幕.mkv'}

# 解析二级页面,获取下载链接

def parse_two_html(self, film_link):

two_html = self.get_page(film_link)

pattern = re.compile('

weixin_39558754
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值