python爬虫简单流程
1.前提准备:
借助Chrome开发者工具(F12)来分析网页,找到需要的数据位置
2.爬取网页:
利用urllib2库获取页面
对每一个页面调用askURL函数获取页面内容
urllib2.Request生成请求
urllib2.urlopen发送请求获取响应,read获取页面内容
3.得到网页内容
对爬取的html文件进行解析,提取数据
使用BeautifulSoup定位特定的标签位置
使用正则表达式找到具体的内容,抽取数据
4.保存数据
利用python中xlwt库将抽取的数据写入Excel表格,或利用sqlite3库,建立数据库
含Excel和自带的数据库
```python
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 sqlite3 #进行SQLite数据库操作
def main():
baseurl = "https://movie.douban.com/top250?start="
#1.爬取网页
datalist = getData(baseurl)
#savepath = "豆瓣电影TOP250.xls"
dbpath = "movie.db"
#3.保存数据
# saveData(datalist,savepath)
saveDataDB(datalist,dbpath)
#askURL("https://movie.douban.com/top250?start=")
#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
#影片图片链接的规则
findImgSrc =re.compile(r'<img.*src="(.*?)"',re.S) #re.S 让换行符包含在字符中
#影片片名的规则
findTitle =re.compile(r'<span class="title">(.*)</span>')
#影片的评分
findRating =re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#影片评价人数
findPeople =re.compile(r'<span>(\d*)人评价</span>')
#找到概况
findInq = re.compile(r'<span class="inq">(.*)</span>') #(.*)表示有若干字
#找到影片相关内容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S) #(.*?) 有0个或一个
#爬取网页
def getData(baseurl):
datalist = []
for i in range(0,10): #调用获取网页信息的函数 10次
url = baseurl+str(i*25)
html=askURL(url) #保存获取到的网页源码
# 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
#print(item) #测试:查看电影item全部信息
data = [] #保存一部电影的所有信息
item = str(item) #变成字符串
#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) #片名可能只有中文或英文
if(len(titles)==2):
ctitle = titles[0]
data.append(ctitle) #添加中文名
otitle=titles[1].replace("/","")
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(findPeople,item)[0]
data.append(judgeNum) #添加评价人数
inq = re.findall(findInq,item)
if len(inq)!=0:
inq = inq[0].replace("。","") #替换句号
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()) #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
#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,向豆瓣发送信息
"User-Agent":"Mozilla/5.0(Windows NT 10.0;Win64;x64) AppleWebKit /537.36(KHTML,like Gecko) Chrome / 88.0.4324.96Safari / 537.36Edg / 88.0.705.56"
} #用户代理:表示告诉豆瓣服务器我们是什么类型
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
#保存数据
def saveData(datalist,savepath):
book = xlwt.Workbook(encoding="utf-8") # 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","影片外国名","评分","评价人数","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]) #数据
book.save('排名.xls') # 保存数据表
print("save...")
def saveDataDB(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,instroduction,info)
values(%s)'''%",".join(data)
print(sql)
cur.execute(sql)
conn.commit()
cur.close()
conn.close()
print("...")
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 ,
instroduction text,
info text
)
''' #创建数据表
conn = sqlite3.connect(dbpath)
cursor = conn.cursor()
cursor.execute(sql)
conn.commit()
conn.close()
if __name__=="__main__":
main()
#init_db("movietext.db")
print("爬取完毕")