本文使用Python爬取豆瓣电影Top250,含完整源代码,并实现两种方式保存数据(excel和数据库)主要分为四步:1、获取页面源代码;2、获取标签;3、正则表达式匹配;4、保存数据。先上完整代码,后面再对重点部分进行解析。
程序运行截图:
from bs4 import BeautifulSoup #页面解析,获取数据import re #正则表达式import urllib.request,urllib.error #指定URL,获取页面数据import xlwt #进行excel操作import sqlite3 #进行sql操作def main(): baseUrl = "https://movie.douban.com/top250?start=" #1.爬取网页,并解析数据 dataList = getData(baseUrl) savePath=".\\豆瓣电影Top250.xls" #savePath = "movies.db" #2.保存数据 saveData(dataList,savePath) #savedb(dataList,savePath)#---正则表达式---#链接findLink = re.compile(r'',re.S)#电影名字findName = re.compile(r'(.*?)',re.S)#评分findRating = re.compile(r'(.*?)')#标题findInq = re.compile(r'(.*?)',re.S)#评分人数findCount = re.compile(r'(.*?)人评价')#电影信息findInf = re.compile(r'
(.*?)
',re.S)#1.爬取网页def getData(baseUrl): dataList = [] for i in range(10): html = askUrl(baseUrl + str(i * 25)) # 2.逐一解析数据 bs = BeautifulSoup(html,"html.parser") for item in bs.find_all('div',class_="item"): data = [] item = str(item) #链接 link = re.findall(findLink,item)[0] #名字 name = re.findall(findName,item) if len(name) == 1: cName = name[0] fName = " " else: name[1] = name[1].replace(" / ","") cName = name[0] fName = name[1] #评分 rating = re.findall(findRating,item)[0] #标题 inq = re.findall(findInq,item) if len(inq) < 1: inq = " " else: inq= inq[0] #评分人数 racount = re.findall(findCount,item)[0] #电影信息 inf = re.findall(findInf,item)[0] inf = re.sub("...
(\s?)"," ",inf) inf = re.sub("/"," ",inf) inf = inf.strip() #添加一部电影的信息进data data.append(link) data.append(cName) data.append(fName) data.append(rating) data.append(inq) data.append(racount) data.append(inf) dataList.append(data) return dataList#爬取指定urldef askUrl(url): head = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3776.400 QQBrowser/10.6.4212.400"} request = urllib.request.Request(url = url,headers=head) http = "" try: response = urllib.request.urlopen(request) http = response.read().decode("utf-8") except urllib.error.URLError as e: if hasattr(e,"code"): print(e.code) if hasattr(e,"reson"): print(e.reson) return http# 3.保存数据def saveData(dataList,savePath): woke = xlwt.Workbook("utf-8",style_compression=0)#样式的压缩效果 sheet = woke.add_sheet("豆瓣电影Top250",cell_overwrite_ok=True)#覆盖原单元格信息 col = ("链接","中文名字","英文名字","评分","标题","评分人数","概况") for i in range (7): sheet.write(0,i,col[i]) for i in range (0,250): for j in range (7): sheet.write(i+1,j,dataList[i][j]) print("第%d条数据"%(i+1)) woke.save(savePath) print("保存完毕")#3.保存到数据库def savedb(dataList,dataPath): initdb(dataPath) conn = sqlite3.connect(dataPath) cur = conn.cursor() #开始保存数据 for data in dataList: for index in range(len(data)): data[index] = str('"'+data[index]+'"') newstr = ",".join(data) sql ="insert into movie(info_link,cname,fname,rating,inq,racount,inf)values(%s)"%(newstr) print(sql) cur.execute(sql) conn.commit() cur.close() conn.close() print("保存完毕")#3-1新建表def initdb(dataPath): conn = sqlite3.connect(dataPath) cur = conn.cursor() sql = ''' create table movie( id Integer primary key autoincrement, info_link text, cname varchar , fname varchar , rating varchar , inq text, racount varchar , inf text ) ''' cur.execute(sql) conn.commit() cur.close() conn.close()if __name__ == "__main__": #调用函数 main()
一、获取页面源代码
伪装成浏览器;2.进一步包装请求;3.网页请求获取数据;4.解析并保存;5.返回数据。
import urllib.request,urllib.error #指定URL,获取页面数据#爬取指定urldef askUrl(url): #请求头伪装成浏览器(字典) head = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3776.400 QQBrowser/10.6.4212.400"} #进一步包装请求 request = urllib.request.Request(url = url,headers=head) #存储页面源代码 html = "" try: #页面请求,获取内容 response = urllib.request.urlopen(request) #读取返回的内容,用"utf-8"编码解析 html = response.read().decode("utf-8") except urllib.error.URLError as e: if hasattr(e,"code"): print(e.code) if hasattr(e,"reson"): print(e.reson) #返回页面源代码 return html
二、获取标签
通过BeautifulSoup进一步解析页面源代码
from bs4 import BeautifulSoup #页面解析,获取数据
Beautiful Soup 将复杂 HTML 文档转换成一个复杂的树形结构,每个节点都是 Python 对象,可分为四大对象种类,这里主要用到Tag类的对象,还有三种,有兴趣可以自己去深入学习~~
#构建了一个BeautifulSoup类型的对象soup#参数为网页源代码和”html.parser”,表明是解析html的bs = BeautifulSoup(html,"html.parser")#找到所有class叫做item的div,注意class_有个下划线bs.find_all('div',class_="item")
三、正则表达式匹配
先准备好相应的正则表达式,然后在上面得到的标签下手
#Python正则表达式前的 r 表示原生字符串(rawstring)#该字符串声明了引号中的内容表示该内容的原始含义,避免了多次转义造成的反斜杠困扰#re.S它表示"."的作用扩展到整个字符串,包括“\n”#re.compile()编译后生成Regular Expression对象,由于该对象自己包含了正则表达式#所以调用对应的方法时不用给出正则字符串。#链接findLink = re.compile(r'',re.S)#找到所有匹配的#参数(正则表达式,内容)#[0]返回匹配的数组的第一个元素 link = re.findall(findLink,item)[0]
四、保存数据
实现保存在excel中及数据库中,对应函数分别是saveData及savedb。