Python爬虫-豆瓣电影排行榜TOP250

跟着B站上的视频敲得代码，基本无改动
爬取的数据包括"电影详情链接",“图片链接”,“影片中文名”,“影片外文名”,“评分”,“评价数”,“概况”,“相关信息”
爬取到的数据有保存到excle中和保存到数据库中（注释掉了）两种

具体代码如下：

# -*- codeing = utf-8 -*-
# @Time : 2021/1/12 20:39
# @Author : Chikin Lau @ SUSE
# @File : spider.py
# @Software: PyCharm

import re     #正则表达式，进行文字匹配
from bs4 import BeautifulSoup  #网页解析，获取数据
import urllib.request,urllib.error    #指定URL，获取网页数据
import xlwt     #进行Excel操作
import sqlite3  #进行SQLite数据库操作


def main():
    baseurl = "https://movie.douban.com/top250?start="
    #1.爬取网页   and  #2.解析网页
    datalist = getData(baseurl)
    savepath = "豆瓣电影Top250.xls"    #保存到excle表
    #dbpath = "movie.db"
    #3.保存数据
    saveData(datalist,savepath)       #执行保存到excle的方法
    #saveData2DB(datalist,dbpath)      #执行保存到数据库的方法

    #askURL("https://movie.douban.com/top250?start=0")


#影片详情链接的规则
findLink = re.compile(r'<a href="(.*?)">')     #创建正则表达式对象，表示规则（字符串的模式）
#影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)   #re.S  让换行符包含在字符中
#影片的片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#评价人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
#影片概况
findInq = re.compile(r'<span class="inq">(.*?)</span>')
#影片的相关内容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)


#爬取网页
def getData(baseurl):
    datalist = []
    for i in range(0,10):       #调用获取页面的函数10次
        url = baseurl + str(i*25)
        html = askURL(url)      #保存获取到的网页源码

        #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 = []      #保存一部电影的所有信息
            item = str(item)

            # print(item)
            # break

            #获取影片详情的链接
            link = re.findall(findLink,item)[0]    #re库用来通过正则表达式查找指定的字符串
            data.append(link)                          #添加链接

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

            #电影名
            titles = re.findall(findTitle,item)      #片名可能只有中文名，没有外文名
            if(len(titles) == 2):                       #同时存在中文名和外文名
                ctitle = titles[0]
                data.append(ctitle)                     #添加中文名
                otitle = titles[1].replace("/","")      #去掉无关的符合
                otitle = re.sub('\s',"",otitle)
                data.append(otitle)                     #添加外文名
            else:                                       #只有中文名
                data.append(titles[0])
                data.append(" ")                        #外文名的位置留空

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

            #评价人数
            judgeNum = re.findall(findJudge,item)[0]
            data.append(judgeNum)





            # 影片概况
            try:                                     #解决因列表为空而报错，后果是会缺失没有影片概况（inq为空）的电影
                inq = re.findall(findInq,item)[0]
                inq = inq.replace("。","")      #去掉句号
                data.append(inq)
            except:
                data.append(" ")

                # 为解决continue导致的inq为空的电影无法执行下面代码，故把下面被跳过的代码复制上来到continue前执行
                bd = re.findall(findBd, item)[0]
                bd = re.sub('<br(\s+)?/>(\s+)?', " ", bd)  # 去掉<br/>
                bd = re.sub('/', " ", bd)  # 替换/
                bd = re.sub('\s', " ", bd)  # 去掉\xa0
                data.append(bd.strip())  # 去掉前后的空格

                datalist.append(data)

                continue

            # 影片的相关内容
            bd = re.findall(findBd,item)[0]
            bd = re.sub('<br(\s+)?/>(\s+)?'," ",bd)      #去掉<br/>
            bd = re.sub('/'," ",bd)                 #替换/
            bd = re.sub('\s'," ",bd)                #去掉\xa0
            data.append(bd.strip())                #去掉前后的空格

            datalist.append(data)

    #print(datalist)
    return datalist


#得到指定的一个URL的网页内容
def askURL(url):
    #头部信息：模拟浏览器头部信息，向豆瓣服务器发送消息
    #用户代理：表示豆瓣服务器，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）
    head = {"User-Agent": "User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:60.0) Gecko/20100101 Firefox/60.0"}
                         #Mozilla/5.0 (Windows NT 10.0;Win64;x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.141 Safari/537.36
                         #Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36
    request = urllib.request.Request(url,headers=head)

    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


#保存数据到excle表的方法
def saveData(datalist,savepath):
    #print()
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)  # 创建workbook对象
    sheet = book.add_sheet('豆瓣电影TOP250',cell_overwrite_ok=True)  # 创建工作表

    col = ("电影详情链接","图片链接","影片中文名","影片外文名","评分","评价数","概况","相关信息")
    for i in range(0,8):
        sheet.write(0,i,col[i])          #列名
    for i in range(0,250):
        print("第%d条"%(i+1))
        data = datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])    #写入爬取的电影数据到表

    book.save(savepath)     # 保存数据表


#保存数据到数据库的方法
def saveData2DB(datalist,dbpath):
    init_db(dbpath)
    conn = sqlite3.connect(dbpath)
    cursor = conn.cursor()

    # 写sql语句
    for data in datalist:
        for index in range(len(data)):
            if index == 4 or index == 5:
                continue
            data[index] = '"' + str(data[index]) + '"'
        sql = '''
            insert into movie250(
            info_link,pic_link,cname,ename,score,rated,introduction,info)
            values(%s)
        ''' % ",".join(data)

        #print(sql)
        cursor.execute(sql)
        conn.commit()
    cursor.close()
    conn.close()


#初始化数据库
def init_db(dbpath):
    sql = '''
        create table movie250
        (
        id integer primary key autoincrement,
        info_link text,
        pic_link text,
        cname varchar,
        ename varchar,
        score numeric,
        rated numeric,
        introduction text,
        info text
        )
    
    '''                        #创建数据表
    conn = sqlite3.connect(dbpath) #连接数据库
    cursor = conn.cursor()         #获取游标
    cursor.execute(sql)            #执行sql语句
    conn.commit()                 #提交数据库操作
    conn.close()                  #关闭数据库连接


if __name__ == '__main__':     #设置主函数，程序入口
#调用函数
    main()
    #init_db("movietest.db")
    print("爬取完毕")