Python爬取豆瓣电影TOP250生成数据库

Python爬取豆瓣电影TOP250生成数据库

# -*- codeing = utf-8 -*-
# @Time : 2021/1/15 19:37
# @Author : 陈良兴
# @File : Database.py
# @Software : PyCharm

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 sqlite3                                                   # 进行SQLite数据库操作


def main():
    baseurl = "https://movie.douban.com/top250?start="           # 爬取网页
    datalist = getData(baseurl)
    dbpath = "豆瓣电影TOP250.db"
    saveData2DB(datalist, dbpath)                                # 保存数据


findlink = re.compile(r'<a href="(.*?)">')                       # 影片详情链接的规则
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)              # 影片图片链接的规则（re.S让换行符包含在字符中）
findTitle = re.compile(r'<span class="title">(.*)</span>')       # 影片的片名
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')           # 影片的评分
findJudge = re.compile(r'<span>(\d*)人评价</span>')               # 评价人数
findInq = re.compile(r'<span class="inq">(.*)</span>')           # 找到概况
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)              # 找到影片的相关内容


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

            # 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
            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)                              # 添加外国名
            else:
                data.append(titles[0])
                data.append(' ')                                 # 外国名留空

            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(" ")                                 # 留空

            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())                              # 去掉前后的空格
            datalist.append(data)                                # 把处理好的一部电影信息放入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
        "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/1.70.3861.400 QQBrowser/10.7.4313.400"
    }
    request = urllib.request.Request(url, headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
    except urllib.error.URLError as e:
        if hasattr(e, "code"):                                    # hasattr为标签
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    return html


# 保存数据
def saveData2DB(datalist, dbpath):
    init_db(dbpath)
    conn = sqlite3.connect(dbpath)
    cur = conn.cursor()

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


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
        )'''                                                        # 创建数据库
    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()
    print("爬取完毕！")

结果如下：
       由于使用的是pycharm社区版，没有Database，而在File>settings>Plugins中安装的Database Navigator中无法查看.db文件，所以另外下载SQLiteStudio.exe打开.db文件。