python3网络爬虫数据采集 python数据采集 爬虫

python初学者，五天跟着练习了一下豆瓣爬虫项目，现在回过头记录一下过程，防止以后忘掉。纯个人纪录，没有参考价值，如有错误欢迎各位大佬指正。

主要用到爬虫+flask框架。

爬取步骤：

1. 爬取网页+解析数据

2. 保存数据

1. 爬取网页+解析数据

首先使用askURL函数获取目标网页的html文件。这边用到urllib库，可以获取对应网页的html文件。

#得到指定一个URL的网页内容
def askURL(url):
    head = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Safari/537.36"
    }
    #用户代理，表示告诉服务器我们是什么类型的机器（本质上是告诉浏览器我们可以接受什么水平的内容）
    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

然后将获取的html文件解析生成一个soup对象，按弹幕大佬的说法是将html网页变成一碗汤，便于从汤里捞东西出来。不懂这说法对不对但是感觉挺便于记忆。

这边用到了Beautiful Soup库， Beautiful Soup是一个可以从HTML或XML文件中提取数据的Python库。

然后soup.find_all，在soup对象中找到所有的目标模块。语法：
find_all(name, attrs, recursive, text, limit, **kwargs)

然后依次对每个模块进行数据的解析，这边用到了正则表达式进行匹配。

def getData(baseurl):
    dataList = []
    for i in range(0, 10):
        url = baseurl + str(i*25)
        html = askURL(url)
        #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 = [] #保存一部电影的所有信息
            item = str(item)
            #获取影片详情页的链接
            link = re.findall(findLink, item)[0]     #不加下标【】link收到的就是列表了
            data.append(link)
            #图片
            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc)
            #片名
            titles = re.findall(fingTitle, item)
            if (len(titles)==2):
                ctitle = titles[0]
                data.append(ctitle)
                otitle = titles[1].replace("/", "")#去掉无关符号
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append("    ")
            #评分
            rating = re.findall(findRating, item)[0]
            data.append(rating)
            #评价人数
            judge = re.findall(findJudge, item)[0]
            data.append(judge)
            #添加概述
            inq = re.findall(findInq, item)
            if len(inq) != 0:
                inq = inq[0].replace("。", "")
                data.append(inq)
            else:
                data.append("   ")
            #添加相关内容
            bd = re.findall(findBD,item)[0]
            bd = re.sub('<br(\s+)?/>(\s+)?', " ", bd)  #去掉br
            bd = re.sub('/', " ", bd)
            data.append(bd.strip())
            dataList.append(data)

    return dataList

#创建正则表达式对象，表示匹配规则（影片详情链接的规则）
findLink = re.compile(r'<a href="(.*?)">')
#re.S让换行符包含在字符中   #影片图片的链接规则
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)
#影片名规则
fingTitle = re.compile(r'<span class="title">(.*)</span>')
#评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#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>')
#找的影片的相关内容
findBD = re.compile(r'<p class="">(.*?)</p>', re.S)

2.保存数据

分为保存成excel文件和保存进数据库中两种保存方式。

首先是保存为excel文件，用到xlwt库，将数据循环填入即可。

然后是保存进数据库，这边用的sqlite数据库。

首先需要初始化数据库，然后将数据依次insert.

#保存数据
def saveData(datalist, savapath):
    book = xlwt.Workbook(encoding="utf-8")
    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", "影片外文名", "评分", "评价数", "概况", "相关内容")

    for i in range(0, 8):
        sheet.write(0, i, col[i])
    for i in range(0, 250):
        print("第{}条".format(i))
        data = datalist[i]
        for j in range(0, 8):
            sheet.write(i+1, j, data[j])
    book.save(savapath)

def saveDataDB(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:
                continue
            data[index] = '"'+data[index]+'"'
        sql = '''
            insert into movie250(
            info_link, pic_link, cname, ename, score, rated, introduction, info)
            values(%s)'''%",".join(data)
        cur.execute(sql)
        conn.commit()
    cur.close()
    conn.close()