python爬虫实战--第一章：爬取豆瓣电影Top250
本实战项目通过python爬取豆瓣电影Top250榜单，利用flask框架和Echarts图表分析评分、上映年份并将结果可视化,并制作了词云，项目已经上传至服务器，欢迎各位大佬批评指正。
项目展示：http://121.36.81.197:5000/
源码地址：https://github.com/lzz110/douban_movies_top250
学习资料：Python爬虫技术5天速成（2020全新合集）
项目技术栈：Flask框架、Echarts、WordCloud、SQLite
环境：Python3
开发工具：PyCharm
第一章：爬取数据、保存
爬取链接: https://movie.douban.com/top250
excel 与数据库文件：excel 与数据库文件下载
- 使用到的库文件
from bs4 import BeautifulSoup # 网页解析，获取数据
import re # 正则表达式，与文字匹配
import xlwt # 制定URL，获取网页数据
import urllib.request, urllib.error # 进行excel操作
import sqlite3 # 进行sqlite数据库操作
- 模拟浏览器头部信息，向服务器发送消息，获取网页信息
如果服务器响应的代码是418，说明请求未成功，网站不允许爬虫，于是模拟浏览器头部信息：User-Agent传递给了get函数的headers参数，结果返回200，说明请求成功，代码为：
def askURL(url):
head = { # 模拟浏览器头部信息，向服务器发送消息
"User-Agent": " Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 83.0.4103.116Safari / 537.36"
} # 告诉浏览器我们接受什么水平的文件内容
request = urllib.request.Request(url, headers=head)
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
- 根据网页信息 利用正则表达式进行数据解析
def getData(baseurl):
datalist = []
for i in range(0, 10):
url = baseurl + str(i * 25)
html = askURL(url) # 保存爬取的网页源码
# 逐一解析数据
soup = BeautifulSoup(html, "html.parser")
for item in soup.find_all('div', class_="item"):
# print(item) # 测试
data = [] # 保存
item = str(item)
# re库正则表达式来查找指定字符串,形成列表
Link = re.findall(findLink, item)[0] # 链接
# print(Link)
data.append(Link)
ImaSrc = re.findall(findImaSrc, item)[0] # 图片链接
# print(ImaSrc)
data.append(ImaSrc)
Title = re.findall(findTitle, item)[0] # 片名：可能只有一个中文名，没有外译名字
if (len(Title) == 2):
# print("完整title="+Title)
cTitle = Title[0] # 添加中文名
# print(cTitle)
data.append(Title)
oTitle = Title[1].replace("/", "") # 外译片名
# print(oTitle)
# data.append(' ')
else:
data.append(Title)
# data.append(' ')
# print(Title)
Rating = re.findall(findRating, item)[0] # 评分
data.append(Rating)
Judge = re.findall(findJudge, item)[0] # 评价人数
data.append(Judge)
Inq = re.findall(findInq, item) # 概述
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] # 相关内容
temp = re.search('[0-9]+.*\/?', Bd).group().split('/')
year, country, category = temp[0], temp[1], temp[2] # 得到年份、地区、类型
data.append(year)
data.append(country)
data.append(category)
datalist.append(data) # 把处理好的一部电影信息放入datalist
return datalist
将爬取结果数据保存成两种格式（数据库 和 excel表格）：
- 写入excel
def saveData(datalist, savepath):
print("save...")
book = xlwt.Workbook(encoding="utf-8") # 创建workbook对象
sheet = book.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True) # 创建工作表
# 制作表头
col = ("电影详情链接", "图片链接", "中文名", "评分", "评价数", "概述", "上映年份","制片国家","类型")
for i in range(0, len(col)):
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, len(col)):
sheet.write(i + 1, j, data[j])
book.save(savepath) # 保存
保存至excel结果：
- 写入数据库
def saveData2DB(datalist, dbpath):
init_db(dbpath)
conn = sqlite3.connect(dbpath)
cur = conn.cursor()
for data in datalist:
for index in range(len(data)):
data[index] = '"' + data[index] + '"'
sql = '''
insert into movie250(
info_link, pic_link, cname, score,rated, introduction,year_release,country,category )
values(%s)''' % ",".join(data)
# print(sql)
cur.execute(sql)
conn.commit()
cur.close()
conn.close
保存至数据库结果
至此爬取数据部分结束，下一章是电影数据处理和可视化