一、网络爬虫----爬取豆瓣网前250条数据

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")