建立一个数据库
import sqlite3
conn = sqlite3.connect("test.db") #打开或创建数据库文件
print("opened database successfully")
建立数据表
#创建数据表
conn = sqlite3.connect("test.db") #打开或创建数据库文件
print("成功打开数据库")
c = conn.cursor() #获取游标
sql = '''
create table company
(id int primary key not null,
name text not null,
age int not null,
adress char(50),
salary real);
'''
c.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
print("成功建表")
插入数据
#插入数值
conn = sqlite3.connect("test.db") # 打开或创建数据库文件
print("成功打开数据库")
c = conn.cursor() #获取游标
sql1 = '''
insert into company(id,name,age,adress,salary)
values(1,"rosie",20,"北京",3000);
'''
c.execute(sql1) # 执行sql语句
conn.commit() # 提交数据库操作
conn.close() # 关闭数据库连接
查询内容:
#查询
conn = sqlite3.connect("test.db") # 打开或创建数据库文件
print("成功打开数据库")
c = conn.cursor() #获取游标
sql = "select id,name,adress,salary from company"
cursor = c.execute(sql) # 执行sql语句
for row in cursor:
print("id=",row[0])
print("name=",row[1])
print("adress=",row[2])
print("salary=",row[3])
conn.close() # 关闭数据库连接
print("查询数据完毕")
豆瓣电影top250保存到数据库
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
import sqlite3 #进行SQLite数据库操作
def main():
baseurl = "https://movie.douban.com/top250?start="
# savepath = ".\\豆瓣电影top250.xls"
dbpath = "movie.db"
# init_db("movie250")
datalist = getData(baseurl)
#保存数据
# saveData(datalist,savepath)
saveData2DB(datalist,dbpath)
#影片详情介绍的规则
findLink = re.compile(r'<a href="(.*?)">')#生成或创建正则表达式对象,表示规则,字符串模式
#影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)#re.s忽略所有换行符
#影片片名
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>')
#找到概况
findInq = re.compile(r'<span class="inq">(.*)</span>')
#找到影片相关内容
findBd = re.compile(r'<p class="">(.*?) </p>',re.S)
#爬取网页
def getData(baseurl):
dataList = []
for i in range(0,10):#调用获取页面信息的函数10次
url = baseurl + str(i*25)
html = askURL(url)#保存获取到的网页源码
# print(html)
# 逐一解析数据
soup = BeautifulSoup(html,"html.parser")
for item in soup.find_all('div',class_="item"):
# print(item) #测试查看电影item
data = []#保存一部电影的所有信息
item = str(item)
#获取影片详情的链接
link = re.findall(findLink,item)[0] #re库通过正则表达式查找指定的字符串
data.append(link) #添加链接
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
if(len(titles) == 2):
ctitle = titles[0]
data.append(ctitle)
otitle = titles[1].replace("/"," ")#去掉无关符号
data.append(otitle)
else:
data.append(titles[0])
data.append(' ') #外国名字留空
rating = re.findall(findRating,item)[0]
data.append(rating) #添加评分
judgeNum = re.findall(findJudge,item)[0]
data.append(judgeNum) #添加评分人数
inq = re.findall(findInq,item)
if len(inq) != 0:
inq = inq[0].replace("。","")#替换句号
data.append(inq)
else:
data.append(" ") #添加概述
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()) #去掉前后空格
dataList.append(data)
print(dataList,"\n")
return dataList
#得到一个指定的url的网页内容
def askURL(url):
head = {}
head = {#模拟浏览器头部信息,向豆瓣服务器发送消息
"Remote Address": "110.189.152.86",
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36"}
#用户代理,表示告诉服务器,我们是什么浏览器(本质是表示我们可以接受什么样的文件内容)
request = urllib.request.Request(url, headers=head) # 封装的对象
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(datalist,savepath):
# print("save----")
# workbook = xlwt.Workbook(encoding="utf-8",style_compression=0) # 创建workbook对象
# sheet = workbook.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])
# # 写入数据,第一参数“行”,第二参数为列,第三个参数是内容
# workbook.save(savepath) # 保存数据表
def saveData2DB(datalist,dbpath):
init_db(dbpath)
conn = sqlite3.connect(dbpath)
cur = conn.cursor()
for data in datalist:
for index in range(len(data)):#列的个数
if index==4 or index==5: #第5,6个元素本身就有双引号
continue
data[index] = '"'+data[index]+'"'
#只有元素加双引号才会被数据库认为是字符串
sql = '''
insert into movie250 (
info_link,pic_link,cname,ename,score,rated,introduction,info)
values(%s)'''%",".join(data) #逗号填补%s的位置
# ''''''
# print(sql)
cur.execute(sql)
conn.commit()
cur.close()
conn.close()
def init_db(dbpath): #创建数据库
sql ='''
create table if not exists movie250
(
id integer primary key autoincrement,
info_link text,
pic_link text,
cname varchar ,
ename varchar ,
score numeric ,
rated numeric ,
introduction text,
info text
)
'''
conn = sqlite3.connect(dbpath)
cursor = conn.cursor()
cursor.execute(sql)
conn.commit()
conn.close()
if __name__ == "__main__":#当程序 执行时
#调用函数
main()
# init_db("movietest.db")
print("爬取完毕")