一、爬虫的基本流程
发起请求
通过HTTP库向目标站点发起请求,也就是发送一个Request,请求可以包含额外的header等信息,等待服务器响应
获取响应内容
如果服务器能正常响应,会得到一个Response,Response的内容便是所要获取的页面内容,类型可能是HTML,Json字符串,二进制数据(图片或者视频)等类型
解析内容
得到的内容可能是HTML,可以用正则表达式,页面解析库(如BeautifulSoup)进行解析,可能是Json,可以直接转换为Json对象解析,可能是二进制数据,可以做保存或者进一步的处理
保存数据
保存形式多样,可以存为文本,也可以保存到数据库,或者保存特定格式的文件(如Excel)
二、将爬取的内容存放到Excel或者数据库中(代码实现)
#coding=utf-8
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
import urllib.request #制定URL,获取网页数据
import xlwt #进行Excel的操作
import sqlite3 #进行SQLLite数据库操作
def main():
baseurl="https://movie.douban.com/top250?start="
#爬取网页
datalist=getData(baseurl)
#dbpath="movie.db"
savepath="豆瓣电影top250.xls"
#使用Excel保存数据
saveData(datalist,savepath)
#使用数据库保存数据
#saveData2DB(datalist,dbpath)
#askURL("https://movie.douban.com/top250?start=")
#影片详情链接规则(快速锁定这个链接)
findLink=re.compile(r'<a href="(.*?)">')
#影片图片路径
findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S) #让换行符包含在字符中
#影片的名字
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>')
#找到评价人数
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): #调用获取页面信息的函数
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"):
#print(item) 测试查看电影item的全部信息
data=[]
item=str(item)
#就是从item中查找一个和findLink(变量)符合的字符串
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)
imgSrc=re.findall(findImgSrc,item)[0]
data.append(imgSrc) #添加图片链接
titles=re.findall(findTitle,item)
if(len(titles)==2):
ctitle=titles[0]
data.append(ctitle)
otitle=titles[1].replace("/","") #去掉无关字符,用空来代替/
data.append(otitle)
else:
data.append(titles[0])
data.append(' ') #注意一定要给外国名字留空,不然会出现窜位置的情况
rating=re.findall(findRating,item)[0]
data.append(rating) #添加评分
judgeNum=re.findall(findJudge,item)[0]
data.append(judgeNum)
inq=re.findall(findInq,item)
if len(inq)!=0:
inq=inq[0].replace("。","") #去掉句号
data.append(inq)
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)
#print(datalist)
return datalist
def askURL(url):
headers = {
#模拟浏览器头部信息,向豆瓣服务器发送请求
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36"
#用户代理,告诉豆瓣服务器,我们是什么类型的机器(实质上是告诉浏览器,我们可以接收什么水平的文件内容)
}
request=urllib.request.Request(url,headers=headers)
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
#保存数据到Excel中
def saveData(datalist,savepath):
print("save...")
#创建workbook对象
book=xlwt.Workbook(encoding="utf-8",style_compression=0)
#创建工作表
sheet=book.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True)
col = ("电影详情链接", "图片链接", "影片中文名", "影片外国名", "评分", "评价数", "概况", "相关信息")
for i in range(0,8):
sheet.write(0,i,col[i])
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])
book.save(savepath)
def saveData2DB(datalist,dbpath):
print("数据库开始保存")
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()
cur.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 ,
instroduction text,
info text
)
"""
conn=sqlite3.connect(dbpath)
cursor=conn.cursor()
cursor.execute(sql)
conn.commit()
conn.close()
if __name__=="__main__":
main()
print("爬取完毕")