目录


一.环境搭建


1.下载安装包

访问 Python官网下载地址：​​https://www.python.org/downloads/​​

下载适合自己系统的安装包：

Python爬虫实现抓取电影网站信息并入库_mysql

我用的是 Windows 环境，所以直接下的 exe 包进行安装。

下载后，双击下载包，进入 Python 安装向导，安装非常简单，你只需要使用默认的设置一直点击"下一步"直到安装完成即可。


2.修改环境变量

Python爬虫实现抓取电影网站信息并入库_python_02

右键点击"计算机"，点击"属性"；

然后点击"高级系统设置"-“环境变量”；

选择"系统变量"窗口下面的 “Path” ，添加 python 安装路径；

设置成功以后，在cmd命令行，输入命令"python"，有显示则说明配置成功。


3.安装依赖模块

我们的爬取程序需要安装的依赖模块包括 requests，lxml，pymysql ，步骤如下：

进入python安装目录下的Scripts目录，点击地址栏输入“cmd” 打开命令行工具：

Python爬虫实现抓取电影网站信息并入库_html_03

在这个路径下安装对应的 requests，lxml，pymysql 依赖：

Python爬虫实现抓取电影网站信息并入库_mysql_04

需要输入的命令：

// 安装requests依赖
pip install requests
 
// 安装lxml依赖
pip install lxml
 
// 安装pymysql依赖
pip install pymysql

二.代码开发

开发 collectMovies.py

#!/user/bin env python
# 获取电影天堂详细信息
import requests
import time
from lxml import etree
import pymysql
requests.adapters.DEFAULT_RETRIES = 5
# 伪装浏览器
HEADERS ={
    'User-Agent':'Mozilla/5.(Windows NT 10.0; WOW64) AppleWebKit/537.3(KHTML, like Gecko) Chrome/63.0.3239.13Safari/537.36',
    'Host':'www.dy2018.com'
}
# 定义全局变量
BASE_DOMAIN = 'https://www.dy2018.com/'
# 获取首页网页信息并解析
def getUrlText(url,coding):
    s = requests.session()
    #print("获取首页网页信息并解析：", url)
    respons = s.get(url,headers=HEADERS)
    print("请求URL：", url)
    if(coding=='c'):
        urlText = respons.content.decode('gbk')
        html = etree.HTML(urlText)  # 使用lxml解析网页
    else:
        urlText = respons.text
        html = etree.HTML(urlText)  # 使用lxml解析网页
    s.keep_alive = False
    return html
 
# 获取电影详情页的href,text解析
def getHref(url):
    html = getUrlText(url,'t')
    aHref = html.xpath('//table[@class="tbspan"]//a/@href')
    print("获取电影详情页的href,text解析```")
    htmlAll = map(lambda url:BASE_DOMAIN+url,aHref) # 给每个href补充BASE_DOMAIN
    return htmlAll
 
# 使用content解析电影详情页，并获取详细信息数据
def getPage(url):
    html = getUrlText(url,'c')
    moveInfo = {}  # 定义电影信息
    mName = html.xpath('//div[@class="title_all"]//h1/text()')[0]
    moveInfo['movie_name'] = mName
    mDiv = html.xpath('//div[@id="Zoom"]')[0]
    mImgSrc = mDiv.xpath('.//img/@src')
    moveInfo['image_path'] = mImgSrc[0]  # 获取海报src地址
    if len(mImgSrc) >= 2:
        moveInfo['screenshot'] = mImgSrc[1]  # 获取电影截图src地址
    mContnent = mDiv.xpath('.//text()')
    def pares_info(info,rule):
        '''
        :param info: 字符串
        :param rule: 替换字串
        :return:  指定字符串替换为空，并剔除左右空格
        '''
        return info.replace(rule,'').strip()
    for index,t in enumerate(mContnent):
        if t.startswith('◎译　　名'):
            name = pares_info(t,'◎译　　名')
            moveInfo['translation']=name
        elif t.startswith('◎片　　名'):
            name = pares_info(t,'◎片　　名')
            moveInfo['movie_title']=name
        elif t.startswith('◎年　　代'):
            name = pares_info(t,'◎年　　代')
            moveInfo['movie_age']=name
        elif t.startswith('◎产　　地'):
            name = pares_info(t,'◎产　　地')
            moveInfo['movie_place']=name
        elif t.startswith('◎类　　别'):
            name = pares_info(t,'◎类　　别')
            moveInfo['category']=name
        elif t.startswith('◎语　　言'):
            name = pares_info(t,'◎语　　言')
            moveInfo['language']=name
        elif t.startswith('◎字　　幕'):
            name = pares_info(t,'◎字　　幕')
            moveInfo['subtitle']=name
        elif t.startswith('◎上映日期'):
            name = pares_info(t,'◎上映日期')
            moveInfo['release_date']=name
        elif t.startswith('◎豆瓣评分'):
            name = pares_info(t,'◎豆瓣评分')
            moveInfo['douban_score']=name
        elif t.startswith('◎片　　长'):
            name = pares_info(t,'◎片　　长')
            moveInfo['file_length']=name
        elif t.startswith('◎导　　演'):
            name = pares_info(t,'◎导　　演')
            moveInfo['director']=name
        elif t.startswith('◎编　　剧'):
            name = pares_info(t, '◎编　　剧')
            writers = [name]
            for i in range(index + 1, len(mContnent)):
                writer = mContnent[i].strip()
                if writer.startswith('◎'):
                    break
                writers.append(writer)
            moveInfo['screenwriter'] = writers
        elif t.startswith('◎主　　演'):
            name = pares_info(t, '◎主　　演')
            actors = [name]
            for i in range(index+1,len(mContnent)):
                actor = mContnent[i].strip()
                if actor.startswith('◎'):
                    break
                actors.append(actor)
            moveInfo['stars'] = " ".join(actors)
        elif t.startswith('◎标　　签'):
            name = pares_info(t,'◎标　　签')
            moveInfo['tags']=name
        elif t.startswith('◎简　　介'):
            name = pares_info(t,'◎简　　介')
            profiles = []
            for i in range(index + 1, len(mContnent)):
                profile = mContnent[i].strip()
                if profile.startswith('◎获奖情况') or '【下载地址】' in profile:
                    break
                profiles.append(profile)
            moveInfo['introduction']=" ".join(profiles)
        elif t.startswith('◎获奖情况'):
            name = pares_info(t,'◎获奖情况')
            awards = []
            for i in range(index + 1, len(mContnent)):
                award = mContnent[i].strip()
                if '【下载地址】' in award:
                    break
                awards.append(award)
            moveInfo['awards']=" ".join(awards)
    moveInfo['movie_url'] = url
    return moveInfo
 
# 获取前n页所有电影的详情页href
def spider():
    #连接数据库
    base_url = 'https://www.dy2018.com/html/gndy/dyzz/index_{}.html'
    moves = []
    m = int(input('请输入您要获取的开始页：'))
    n = int(input('请输入您要获取的结束页：'))
    print('即将写入第{}页到第{}页的电影信息，请稍后...'.format(m, n))
    for i in range(m,n+1):
        print('******* 第{}页电影 正在写入 ********'.format(i))
        if i == 1:
            url = "https://www.dy2018.com/html/gndy/dyzz/"
        else:
            url = base_url.format(i)
        moveHref = getHref(url)
        print("休息2s后再进行操作")
        time.sleep(2)
        for index,mhref in enumerate(moveHref):
            print('---- 正在处理第{}部电影----'.format(index+1))
            move = getPage(mhref)
            moves.append(move)
# 将电影信息写入数据库
    db = pymysql.connect(host='127.0.0.1',user='root', password='123456', port=3306, db='你的数据库名称')
    table = 'movies'
    i = 1
    for data in moves:
        keys = ', '.join(data.keys())
        values = ', '.join(['%s'] * len(data))
        sql = 'INSERT INTO {table}(id,{keys}) VALUES (null,{values})'.format(table=table, keys=keys, values=values)
        try:
            cursor = db.cursor()
            cursor.execute(sql, tuple(data.values()))
            print('本条数据成功执行!')
            if i%10==0:
                db.commit()
        except Exception as e:
            print('将电影信息写入数据库发生异常!',repr(e))
            db.rollback()
        cursor.close()
        i = i + 1
    db.commit()
    db.close()
    print('写入数据库完成！')
 
if __name__ == '__main__':
    spider()

三.运行测试


1.新建电影信息表

CREATE TABLE `movies` (
  `id` bigint(20) NOT NULL AUTO_INCREMENT,
  `movie_name` varchar(255) DEFAULT NULL,
  `image_path` varchar(255) DEFAULT NULL,
  `screenshot` varchar(255) DEFAULT NULL,
  `translation` varchar(255) DEFAULT NULL,
  `movie_title` varchar(255) DEFAULT NULL,
  `movie_age` varchar(50) DEFAULT NULL,
  `movie_place` varchar(50) DEFAULT NULL,
  `category` varchar(100) DEFAULT NULL,
  `language` varchar(100) DEFAULT NULL,
  `subtitle` varchar(100) DEFAULT NULL,
  `release_date` varchar(50) DEFAULT NULL,
  `douban_score` varchar(50) DEFAULT NULL,
  `file_length` varchar(255) DEFAULT NULL,
  `director` varchar(100) DEFAULT NULL,
  `screenwriter` varchar(100) DEFAULT NULL,
  `stars` mediumtext,
  `tags` varchar(255) DEFAULT NULL,
  `introduction` mediumtext,
  `awards` text,
  `movie_url` varchar(255) DEFAULT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8;

2.代码运行

打开 collectMovies.py 所在目录，输入命令运行：

python collectMovies.py

运行结果如下：

Python爬虫实现抓取电影网站信息并入库_html_05

Python爬虫实现抓取电影网站信息并入库_python_06

查看数据库表，数据已成功插入：

Python爬虫实现抓取电影网站信息并入库_python_07

unindent does not match any outer indentation level

四.问题排查和修复

1.空白字符报错

第一次使用 Python，不太熟悉它的规则，空格和Tab混用，运行会报如下错：

unindent does not match any outer indentation level

解决方法

下载 Notepad++，选择 “编辑” – “空白字符操作” – "空格转 Tab (行首)"即可。


2.请求报错

修改好格式之后再次运行，反反复复的报请求的错，报错信息主要包括以下内容：


ssl.SSLEOFError: EOF occurred in violation of protocol
······
Max retries exceeded with url

解决方法

本来以为是请求设置出了问题，各种百度，还安装了 pip install incremental ，但是依然没有奏效。

后来把请求的网址换成百度网就不报错了，这样可以定位到是原网址的访问出了问题，更换了采集源路径，该问题解决。