Python 爬虫学习08 将爬取到的数据保存到SQL

import pymssql #引入pymssql模块
import sys
from bs4 import BeautifulSoup  # 网页解析,获取数据
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 conn():
    connect = pymssql.connect('(local)', 'ouou', '123456', 'MyRetile') #服务器名,账户,密码,数据库名
    if connect:
        print("连接成功!")
    return connect

def main():
    baseurl = "https://movie.douban.com/top250?start="
    init_sql()
    # 1.爬取网页
    datalist = getData(baseurl)
    savepath = r'.\\douban250.xls'
    # 3.保存数据
    # saveData(savepath,datalist)
    saveDataSql(datalist)


def init_sql():
    sql = '''
                create table movie250
                (id integer identity(1,1) primary key,
                info_link text not null,
                pic_link text not null,
                cname varchar(80),
                ename varchar(80),
                score numeric,
                rated numeric,
                introduction text,
                info text);
        '''
    conn = pymssql.connect('(local)', 'ouou', '123456', 'MyRetile',autocommit=True)
    cursor = conn.cursor()
    cursor.execute(sql)
    conn.commit()
    conn.close()


def saveDataSql(datalist):
    thisconn = conn()
    cur = thisconn .cursor()

    for data in datalist:
        for index in range(len(data)):
            data[index] = data[index].replace("'", "''")
            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)
        thisconn.commit()

    cur.close()
    thisconn.close()


# 创建正则表达式对象,表示规则(字符串的模式)re.S 忽视换行符
# 1 影片详情链接的规则
findLink = re.compile(r'<a href="(.*?)">')
# 2 影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)
# 3 影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
# 4 影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
# 5 找到评价人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
# 6 找到概况
findInq = re.compile(r'<span class="inq">(.*)</span>')
# 7 找到影片的相关内容
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)

cnt = 0


# 爬取网页
def getData(baseurl):
    global cnt
    datalist = []
    for i in range(0, 10):
        url = baseurl + str(i * 25)
        html = askURL(url)  # 保存获取到的网页源码
        # 2.逐一解析数据
        soup = BeautifulSoup(html, "html.parser")
        for item in soup.find_all('div', class_='item'):  # 查找符合要求的字符串,形成列表
            # print(item)

            data = []
            item = str(item)

            link = re.findall(findLink, item)[0]
            data.append(link)  # 添加连接

            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,没有外国名
            if (len(titles) == 2):
                ctitle = titles[0]  # 添加中文名
                data.append(ctitle)
                otitle = titles[1].replace("/", "")  # 去掉无关的符号
                data.append(otitle)  # 添加外文名
            else:
                data.append(titles[0])
                data.append(' ')

            rating = re.findall(findRating, item)[0]
            data.append(rating)  # 添加图片

            judgeNum = re.findall(findJudge, item)[0]
            data.append(judgeNum)  # 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/
            data.append(bd.strip())

            datalist.append(data)  # 把处理好的一部电影信息放入datalist
            # cnt+=1
            # print(str(cnt)+'.'+str(link))
    # print(datalist)
    return datalist


# 得到指定一个URL的网页内容
def askURL(url):
    head = {  # 模拟浏览器头部信息,向豆瓣服务器发送消息,下面一定不能写错!
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.190 Safari/537.36'
    }
    # 用户代理,表示告诉豆瓣服务器,我们是什么类型的机器、浏览器(本质上是告诉浏览器,我们可以接收什么水平的文件内容)
    request = urllib.request.Request(url=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(savepath, datalist):
    # 创建workbook对象
    workbook = xlwt.Workbook(encoding="utf-8")
    # 创建工作表
    worksheet = workbook.add_sheet('sheet1')

    for i in range(0, 250):
        for j in range(0, 8):
            worksheet.write(i, j, datalist[i][j])
    workbook.save(savepath)


if __name__ == '__main__':
    main()



在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

ou.cs

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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