python实例豆瓣音乐代码_Python爬取豆瓣音乐存储MongoDB数据库(Python爬虫实战1)

1. 爬虫设计的技术

1）数据获取，通过http获取网站的数据，如urllib,urllib2,requests等模块；

2）数据提取，将web站点所获取的数据进行处理，获取所需要的数据，常使用的技术有：正则re，BeautifulSoup,xpath；

3）数据存储，将获取的数据有效的存储，常见的存储方式包括：文件file，csv文件，Excel，MongoDB数据库，MySQL数据库

2. 环境信息

1）python2.7

2）mongo2.6

3）使用模块包括re,requests,lxml,pymongo

3. 代码内容

1 #!/usr/bin/python

2 #-*- coding:utf8 -*-

3 #author: HappyLau,blog:http://www.cnblogs.com/cloudlab/

4 #目的:爬取豆瓣top250的音乐信息，将爬取的数据存入到MongoDB数据库中

5

6 importre7 importsys8 importrequests9 importpymongo10 from time importsleep11 from lxml importetree12

13 reload(sys)14 sys.setdefaultencoding('utf8')15

16

17 defget_web_html(url):18 '''

19 @params: url 通过requests获取web站点的HTML源代码数据,并返回20 '''

21 headers ={22 "User-Agent": "Mozilla/5.0 (X11; Linux x86_64; rv:52.0) Gecko/20100101 Firefox/52.0"

23 }24 try:25 req = requests.get(url,headers=headers)26 if req.status_code == 200:27 response = req.text.encode('utf8')28 else:29 response = ''

30 exceptException as e:31 printe32 returnresponse33

34 defget_music_url(url):35 '''

36 @params: url提供页面的url地址，获取音乐详细的URL地址，通过正则表达式获取37 '''

38 music_url_list =[]39 selector =etree.HTML(get_web_html(url))40 music_urls = selector.xpath('//div[@class="pl2"]/a/@href')41 for music_url inmusic_urls:42 music_url_list.append(music_url)43 sleep(1)44 returnmusic_url_list45

46 defget_music_info(url):47 '''

48 @params: 爬取url地址中音乐的特定信息49 '''

50 print "正在获取%s音乐地址的URL地址信息..." %(url)51 response =get_web_html(url)52 selector =etree.HTML(response)53 music_name = selector.xpath('//div[@id="wrapper"]/h1/span/text()')[0].strip()54 author = selector.xpath('//div[@id="info"]/span/span/a/text()')[0].strip()55 styles = re.findall(r'流派: (.*?)
',response,re.S|re.M)56 if len(styles) ==0:57 style = '未知'

58 else:59 style =styles[0].strip()60 publish_time = re.findall('发行时间: (.*?)
',response,re.S|re.M)[0].strip()61 publish_users= re.findall('出版者: (.*?)
',response,re.S|re.M)[0].strip()62 if len(publish_users) ==0:63 publish_user = '未知'

64 else:65 publish_user =publish_users[0].strip()66 scores = selector.xpath('//strong[@class="ll rating_num"]/text()')[0].strip()67 music_info_data ={68 "music_name": music_name,69 "author": author,70 "style": style,71 "publish_time": publish_time,72 "publish_user": publish_user,73 "scores": scores74 }75 write_into_mongo(music_info_data)76

77 defwrite_into_mongo(data):78 '''

79 @params: data,将数据封装为字典，然后将其写入到MongoDB数据库中80 '''

81 print "正在插入数据%s" %(data)82 try:83 client = pymongo.MongoClient('localhost',27017)84 db =client.db85 table = db['douban_book']86 table.insert_one(data)87 exceptException as e:88 printe89

90 defmain():91 '''主函数'''

92 urls = ['https://music.douban.com/top250?start={}'.format(i) for i in range(0,230,25)]93 for url inurls:94 for u inget_music_url(url):95 get_music_info(u)96

97

98 if __name__ == "__main__":99 main()

4. 小结

使用正则re表达是获取音乐的流派时，通过"查看源代码元素"获取的代码内容和requests获取的数据结果有所差别，以requests.get()获取的结果为准。同时，在数据获取的过程中，使用re无法截取到有效的数据，后发现是编码问题导致，通过修改web网站数据的编码为utf8，即修改为req.text.encode('utf8')或者修改为req.content也能够实现相同的效果。