python爬虫爬取豆瓣电影TOP250

置顶 ye-zhiqiu

已于 2024-08-16 17:41:05 修改

阅读量2.6k

点赞数 1

分类专栏：笔记文章标签：爬虫

于 2021-04-29 12:49:22 首次发布

本文链接：https://blog.csdn.net/weixin_46521624/article/details/116266254

版权

笔记专栏收录该内容

17 篇文章 2 订阅

订阅专栏

文章目录

前言
一、什么是爬虫？
二、使用步骤
总结

前言

这几天在学python，跟着B站做了一个爬取豆瓣Top250电影的项目，我这里数据库用的是Mysql。

一、什么是爬虫？

模拟客户端发送网络请求，接收请求响应，按照一定的规则自动地抓取互联网信息的程序。

二、使用步骤

1.抓取网页，并返回从网页中获取到的源码

通过url向服务器发起request请求，请求可以包含额外的header信息。
代码如下（示例）：

#得到指定一个URL的网页内容
def askURL(url):
    head = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.108 Safari/537.36"}
    request = urllib.request.Request(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

2.解析数据

这里用了正则表达式进行解析
代码如下（示例）：

def getData(baseurl):
    datalist = []
    for i in range(0,10):
        url = baseurl + str(i*25)
        html = askURL(url)  #保存从网页中获取到的源码

        #逐个解析数据
        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)

            #正则表达式查找指定的字符
            link = re.findall(findLink,item)[0]
            data.append(link)

            imgSrc = re.findall(findImgSrc,item)[0]
            data.append(imgSrc)

            titles = re.findall(findTitle, item)
            if len(titles)==2:
                ctitle = titles[0]
                otitle = titles[1].replace("/","")  #替换符号
                data.append(ctitle)
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append('') #占位留空

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

            judgeNum = re.findall(findJudge, item)[0]
            data.append(judgeNum)

            inq = re.findall(findInq,item)
            if len(inq) != 0:
               inq = inq[0].replace("。","")
               data.append(inq)
            else:
                data.append('')

            bd = re.findall(findBd,item)[0]
            bd = re.sub('<br(\s+)?/>(\s+)?',"",bd)
            bd = re.sub('/',"",bd)
            data.append(bd.strip()) #去空格

            datalist.append(data)
    print(datalist)
    return datalist

3.保存数据

首先我们要连接Mysql并创建一个表
代码如下（示例）：

#创建一个数据表
def createTest():
    DBHOST = 'localhost'
    DBUSER = 'root'
    DBPASS = 'admin123-'  #密码
    DBNAME = 'test'  #数据库名字
    try:
        db = pymysql.connect(host=DBHOST, user=DBUSER, password=DBPASS, database=DBNAME)
        cur = db.cursor()  # 声明游标
        cur.execute('DROP TABLE IF EXISTS doubanTest')
        sql = '''
            CREATE TABLE doubanTest
            (
            id INT PRIMARY KEY AUTO_INCREMENT,
            info_link TEXT,
            pic_link TEXT,
            cname VARCHAR(255),
            oname VARCHAR(255),
            score FLOAT,
            rated INT,
            instroduction TEXT,
            info text
            );
              '''
        cur.execute(sql)
        print("数据表创建成功！")
    except pymysql.Error as e:
        print("数据表创建失败！" + str(e))

然后我们要把解析完的数据塞进表里
代码如下（示例）：

#保存数据
def saveData(datalist):
    createTest()
    DBHOST = 'localhost'
    DBUSER = 'root'
    DBPASS = 'admin123-'  # 密码
    DBNAME = 'test'  # 数据库名字
    try:
        db = pymysql.connect(host=DBHOST, user=DBUSER, password=DBPASS, database=DBNAME)
        cur = db.cursor()  # 声明游标
        for data in datalist:
            for index in range(len(data)):
                if index == 4 or index == 5:
                    continue
                data[index] = '"'+data[index]+'"'
            sql = '''
                  INSERT INTO doubantest(
                  info_link,
                  pic_link,
                  cname,
                  oname,
                  score,
                  rated,
                  instroduction,
                  info
                  ) VALUE(%s)
                  '''%",".join(data)  # 表名  字段名 插入的值
            print(sql)
            cur.execute(sql)  # 将数据进行提交
            db.commit()  # 数据库关闭
        print("数据插入成功!")
    except pymysql.Error as e:
        print("数据插入失败" + str(e))
        db.rollback()  # 数据插入失败返回原先状态

4.完成

在这里插入图片描述

完整代码如下：

# -*- coding = utf-8 -*-
# @Time : 2021/4/26 20:48
# @Author : chen
# @File : douban.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      #指定URL，获取网页数据
import xlwt  #进行Excel操作
import pymysql  #进行mysql数据库操作
#创建正则表达式对象
findLink = re.compile(r'<a href="(.*?)">') #影片链接的规则
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)  #影片图片的规则 re.s换行符包括在字符中
findTitle = re.compile(r'<span class="title">(.*)</span>')  #影片名的规则
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')  #影片评分的规则
findJudge = re.compile(r'<span>(\d*)人评价</span>')    #影片评价人数的规则
findInq = re.compile(r'<span class="inq">(.*)</span>')  #影片概况的规则
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)   #影片导演的规则

def main():
    baseurl = "https://movie.douban.com/top250?start="
    # 爬取网页
    datalist = getData(baseurl)
    # 保存数据
    saveData(datalist)


#爬取网页
def getData(baseurl):
    datalist = []
    for i in range(0,10):
        url = baseurl + str(i*25)
        html = askURL(url)  #保存从网页中获取到的源码

        #逐个解析数据
        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)

            #正则表达式查找指定的字符
            link = re.findall(findLink,item)[0]
            data.append(link)

            imgSrc = re.findall(findImgSrc,item)[0]
            data.append(imgSrc)

            titles = re.findall(findTitle, item)
            if len(titles)==2:
                ctitle = titles[0]
                otitle = titles[1].replace("/","")  #替换符号
                data.append(ctitle)
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append('') #占位留空

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

            judgeNum = re.findall(findJudge, item)[0]
            data.append(judgeNum)

            inq = re.findall(findInq,item)
            if len(inq) != 0:
               inq = inq[0].replace("。","")
               data.append(inq)
            else:
                data.append('')

            bd = re.findall(findBd,item)[0]
            bd = re.sub('<br(\s+)?/>(\s+)?',"",bd)
            bd = re.sub('/',"",bd)
            data.append(bd.strip()) #去空格

            datalist.append(data)
    print(datalist)
    return datalist

#得到指定一个URL的网页内容
def askURL(url):
    head = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.108 Safari/537.36"}
    request = urllib.request.Request(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

#创建一个数据表
def createTest():
    DBHOST = 'localhost'
    DBUSER = 'root'
    DBPASS = 'admin123-'  #密码
    DBNAME = 'test'  #数据库名字
    try:
        db = pymysql.connect(host=DBHOST, user=DBUSER, password=DBPASS, database=DBNAME)
        cur = db.cursor()  # 声明游标
        cur.execute('DROP TABLE IF EXISTS doubanTest')
        sql = '''
            CREATE TABLE doubanTest
            (
            id INT PRIMARY KEY AUTO_INCREMENT,
            info_link TEXT,
            pic_link TEXT,
            cname VARCHAR(255),
            oname VARCHAR(255),
            score FLOAT,
            rated NUMERIC,
            instroduction TEXT,
            info text
            );
              '''
        cur.execute(sql)
        print("数据表创建成功！")
    except pymysql.Error as e:
        print("数据表创建失败！" + str(e))

#保存数据
def saveData(datalist):
    createTest()
    DBHOST = 'localhost'
    DBUSER = 'root'
    DBPASS = 'admin123-'  # 密码
    DBNAME = 'test'  # 数据库名字
    try:
        db = pymysql.connect(host=DBHOST, user=DBUSER, password=DBPASS, database=DBNAME)
        cur = db.cursor()  # 声明游标
        for data in datalist:
            for index in range(len(data)):
                if index == 4 or index == 5:
                    continue
                data[index] = '"'+data[index]+'"'
            sql = '''
                  INSERT INTO doubantest(
                  info_link,
                  pic_link,
                  cname,
                  oname,
                  score,
                  rated,
                  instroduction,
                  info
                  ) VALUE(%s)
                  '''%",".join(data)  # 表名  字段名 插入的值
            print(sql)
            cur.execute(sql)  # 将数据进行提交
            db.commit()  # 数据库关闭
        print("数据插入成功!")
    except pymysql.Error as e:
        print("数据插入失败" + str(e))
        db.rollback()  # 数据插入失败返回原先状态

#入口
if __name__ == '__main__':
    main()