前言
记录个人的第一个爬虫练习,爬取豆瓣电影评分Top250的数据,并分别生成Excel文件和数据库文件。
一、爬虫
爬虫(spider),又称网络蜘蛛,是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。
二、步骤
1.引入库
代码如下(示例):
import sqlite3 # 进行sql数据库操作
import re # 正则匹配
from bs4 import BeautifulSoup # 网页解析,获取网页数据
import urllib.request,urllib.error # 制定URL,获取网页数据
import xlwt #进行excel操作
2.代码实现
源代码
import sqlite3 # 进行sql数据库操作
import re # 正则匹配
from bs4 import BeautifulSoup # 网页解析,获取网页数据
import urllib.request,urllib.error # 制定URL,获取网页数据
import xlwt #进行excel操作
def main():
baseurl = "https://movie.douban.com/top250?start="
datalist = getData(baseurl)
savepath = ".\\豆瓣电影Top250.xls"
saveData(datalist,savepath)
dbpath = "movie.db"
saveData2DB(datalist,dbpath)
# 影片地址
findlink = re.compile(r'<a href="(.*?)">') # 创建正则表达式,制定规则
# 影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)
# 影片片名
findname = re.compile(r'<span class="title">(.*)</span>')
# 影片评分
findmark = 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>')
# 影片概况
findinq = re.compile(r'<span class="inq">(.*)</span>')
# 找到影片的相关内容
findinfo = re.compile(r'<p class="">(.*?)</p>',re.S)
# 1.抓取数据
def getData(baseurl):
datalist = []
for i in range(0,10):
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,形成列表
# print(item)
data = [] #保存电影的所有信息
item = str(item)
# 获取影片的详情链接
link = re.findall(findlink,item)[0]
data.append(link)
# print(link)
# 获取图片链接
imgsrc = re.findall(findImgSrc,item)[0]
data.append(imgsrc)
# 获取影片名称
moviename = re.findall(findname,item)
if len(moviename) != 1:
data.append(moviename[0])
name = moviename[1].replace('/','')
data.append(name.strip())
else:
data.append(moviename)
data.append(" ")
# 获取评分
moviemark = re.findall(findmark,item)
data.append(moviemark[0])
# 评价人数
people = re.findall(findpeople,item)
data.append(people[0])
# 影片概况
movieinq = re.findall(findinq,item)
if len(movieinq) != 0:
data.append(movieinq[0].replace('。',''))
else:
data.append(' ')
# 影片相关内容
movieinfo = re.findall(findinfo,item)[0]
movieinfo = re.sub('<br(\s+)?/>(\s+)?',' ',movieinfo)
movieinfo = re.sub('/',' ',movieinfo)
movieinfo = movieinfo.strip() # 去掉前后的空格
# print(movieinfo)
data.append(movieinfo)
# print(data)
datalist.append(data) #把处理好的一部电影信息存入datalist
return datalist
# 得到一个指定URL网页内容
def askURL(url):
head = { # 模拟浏览器头部信息,向豆瓣发送消息
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.102 Safari/537.36"
}
# 用户代理,表示告诉豆瓣服务器,我们是什么机器、浏览器(本质是告诉浏览器,我们可以接受什么水平的文件)
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
def saveData(datalist,savepath):
# 3.保存数据
book = xlwt.Workbook(encoding='utf-8',style_compression=0)
sheet = book.add_sheet('豆瓣高分电影top250',cell_overwrite_ok=True)
col = ('电影链接','海报链接','中文名','外文名','评分','评价人数','概况','主演信息')
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)
print('爬取完毕!')
def saveData2DB(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:
# data[index] = data[index][0]
if index == 4 or index == 5:
continue
data[index] = '"' + str(data[index]) + '"'
# else:
# data[index] = '"' + str(data[index]) + '"'
sql = '''
insert into movie250 (
link,imgsrc,moviename,ename,moviemark,people,movieinq,movieinfo)
values(%s)'''%",".join(data)
# print(sql)
cur.execute(sql)
conn.commit()
cur.close()
conn.close()
def init_db(dbpath):
sql = '''
create table movie250
(
id integer primary key autoincrement,
link text,
imgsrc text,
moviename varchar,
ename varchar,
moviemark numeric,
people numeric,
movieinq text,
movieinfo text
)
''' #创建数据表
conn = sqlite3.connect(dbpath)
cursor = conn.cursor()
cursor.execute(sql)
conn.commit()
conn.close()
if __name__ == "__main__": #当程序执行时
# 调用函数
main()
三、实现效果
1、生成Excel表格
2、生成数据库文件
总结
这个案例主要使用了正则表达式获取网页源码地址,通过bs4库解析网址,再分别通过xlwt模块生成Excel文件,利用sqlite3模块生成简单的数据库文件,涉及的模块和知识点较多,是一个很好的爬虫练习案例。