用python爬取豆瓣电影排行榜 python爬取豆瓣top250

转载

cnolnic 2023-05-28 19:59:12

文章标签 html 数据 mysql 文章分类 Python 后端开发

初学爬虫，学习一下三方库的使用以及简单静态网页的分析。就跟着视频写了一个爬取豆瓣Top250排行榜的爬虫。

网页分析

我个人感觉写爬虫最重要的就是分析网页，找到网页的规律，找到自己需要内容所在的地方，细化到他在哪个div里面，在哪个class里面，在哪个a标签里面。

用python爬取豆瓣电影排行榜 python爬取豆瓣top250_数据

从上面的图中可以看出，有很多信息。包括电影名、英文名、简介、评价、评价人数、相关信息

用python爬取豆瓣电影排行榜 python爬取豆瓣top250_html_02

当我们打开控制台，可以看到电影的链接、图片的链接。

可以看到电影名在一个span里面、概况在一个p标签里面、评价在一个div里面的一个span中等等。

找到我们需要信息的位置，其实每一个电影项的信息都是在相同的标签里面，每一页都25个项，一共有10页，每一页的链接后缀https://movie.douban.com/top250?start=25只需要更改start后面的数字，我们可以用一个循环来解决爬取多页。

爬取流程

一、引入第三方库

我们需要访问目的网址，进行正则分析，操作excel、保存到数据库等等都需要用到三方库。

from bs4 import BeautifulSoup  #网页解析
import re    #正则表表达式文字匹配
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
import pymysql.cursors  #连接mysql数据库

二、访问目标网址

我们通过request库进行访问目标网页，并返回网页的全部源代码以字符串的形式保存。

访问的时候我们需要查看网页是通过什么方式返回的请求。

用python爬取豆瓣电影排行榜 python爬取豆瓣top250_数据_03

我们发现是get请求，只要url和请求头就可以。如果是post请求，需要封装data数据。

def askURL(url):
    head = {   #伪装请求头，模拟浏览器访问
       "User-Agent":" Mozilla / 5.0(Linux;Android6.0;Nexus5 Build / MRA58N) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 99.0.4844.51Mobile 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  #返回爬到所有的html数据

三、正则匹配数据

我们获取到全部网页源代码后还需要匹配到我们自己需要的数据，在标签中把数据提取出来。

正则表达式：

findlink = re.compile(r'a href="(.*?)">')   #电影链接
findImageSrc = re.compile(r'<img.*src="(.*?)"',re.S)   #re.S让换行符包含着其中  #图片链接
findTitle = re.compile(r'<span class="title">(.*)</span>')      #标题
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')   #评分
findJudge = re.compile(r'<span>(\d*)人评价</span>')    #人数
findInq = re.compile(r'<span class="inq">(.*)</span>')  #概况
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)  #相关信息

提取匹配数据并保存到列表中。

def getdata(baseurl):
    datalist = []  #2 解析数据
    for i in range(0,10):
        url = baseurl + str(i*25)
        html = askURL(url)
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all('div',class_="item"):
            #print(item)
            data = []
            item = str(item)
            link = re.findall(findlink,item)[0]
            data.append(link)
            image = re.findall(findImageSrc,item)[0]
            data.append(image)

            title = re.findall(findTitle,item)
            if(len(title )==2):
                ctitle = title[0]
                data.append(ctitle)
                otitle = title[1].replace("/","")
                data.append(otitle.strip())
            else:
                data.append(title[0])
                data.append(" ")

            rating = re.findall(findRating,item)[0]     #添加评分
            data.append(rating)

            judgeNum = re.findall(findJudge,item)[0]    #添加评价人数
            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)
            bd = re.sub('\xa0', " ", bd)
            bd = re.sub('\n', " ", bd)
            data.append(bd.strip())
            datalist.append(data)
    print(datalist)
    return datalist

四、保存数据到excel中

def saveData(datalist,savepath):
    print("save...")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)
    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")      #创建列
    for i in range(0,8):
        sheet.write(0,i,col[i])
    for i in range(0,250):           #保存数据
        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)

五、保存到MYSQL中（附加，可以不用）

def conn(datalist):
    conn = pymysql.connect(host='localhost',user='root',password='1767737316.',database='douban',cursorclass=pymysql.cursors.DictCursor)
    cursor = conn.cursor()

    for i in range(0,250):
        list = datalist[i]
        data1 = tuple(list)
        sql = 'insert into top250(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) values(%s,%s,%s,%s,%s,%s,%s,%s)'
        # (2)准备数据
        # (3)操作
        try:
            cursor.execute(sql, data1)
            conn.commit()
        except Exception as e:
            print('插入数据失败', e)
            conn.rollback()  # 回滚
        # 关闭游标
        # cursor.close()
        # 关闭连接
        # conn.close()

六、程序入口

if __name__ == "__main__":
    main()
    print("爬取完毕！")
    print("保存到数据库！")

完整源代码

# -*- coding = utf-8 -*-
# @Time : 2022/4/24 16:08
# @Author :王敬博
# @File : spider.py
# @Software: PyCharm
from bs4 import BeautifulSoup  #网页解析
import re    #正则表表达式文字匹配
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
import pymysql.cursors

findlink = re.compile(r'a href="(.*?)">')   #电影链接
findImageSrc = re.compile(r'<img.*src="(.*?)"',re.S)   #re.S让换行符包含着其中  #图片链接
findTitle = re.compile(r'<span class="title">(.*)</span>')      #标题
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')   #评分
findJudge = re.compile(r'<span>(\d*)人评价</span>')    #人数
findInq = re.compile(r'<span class="inq">(.*)</span>')  #概况
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)  #相关信息


def main():
    baseurl = "https://movie.douban.com/top250?start="
    datalist = getdata(baseurl)
    print(datalist)
    #1 爬取网页
    savepath = ".\\豆瓣电影Top250.xls"
    saveData(datalist,savepath)
    conn(datalist)


def askURL(url):
    head = {
       "User-Agent":" Mozilla / 5.0(Linux;Android6.0;Nexus5 Build / MRA58N) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 99.0.4844.51Mobile 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


#爬取网页
def getdata(baseurl):
    datalist = []  #2 解析数据
    for i in range(0,10):
        url = baseurl + str(i*25)
        html = askURL(url)
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all('div',class_="item"):
            #print(item)
            data = []
            item = str(item)
            link = re.findall(findlink,item)[0]
            data.append(link)
            image = re.findall(findImageSrc,item)[0]
            data.append(image)

            title = re.findall(findTitle,item)
            if(len(title )==2):
                ctitle = title[0]
                data.append(ctitle)
                otitle = title[1].replace("/","")
                data.append(otitle.strip())
            else:
                data.append(title[0])
                data.append(" ")

            rating = re.findall(findRating,item)[0]     #添加评分
            data.append(rating)

            judgeNum = re.findall(findJudge,item)[0]    #添加评价人数
            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)
            bd = re.sub('\xa0', " ", bd)
            bd = re.sub('\n', " ", bd)
            data.append(bd.strip())
            datalist.append(data)
    print(datalist)
    return datalist

 #3 保存数据
def saveData(datalist,savepath):
    print("save...")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)
    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 conn(datalist):
    conn = pymysql.connect(host='localhost',user='root',password='1767737316.',database='douban',cursorclass=pymysql.cursors.DictCursor)
    cursor = conn.cursor()

    for i in range(0,250):
        list = datalist[i]
        data1 = tuple(list)
        sql = 'insert into top250(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) values(%s,%s,%s,%s,%s,%s,%s,%s)'
        # (2)准备数据
        # (3)操作
        try:
            cursor.execute(sql, data1)
            conn.commit()
        except Exception as e:
            print('插入数据失败', e)
            conn.rollback()  # 回滚
        # 关闭游标
        # cursor.close()
        # 关闭连接
        # conn.close()


if __name__ == "__main__":
    main()
    print("爬取完毕！")
    print("保存到数据库！")