Spider爬虫个人练习

# -*- codeing = utf-8 -*-
# @Time : 2020/4/4 21:14
# @Author : LIU J
# @File : spider.py
# @Software: PyCharm


import bs4  # 网页解析，获取数据
from bs4 import BeautifulSoup  # 网页解析，获取数据（其实只用到了BeautifulSoup)
import re  # 正则表达式，进行文字匹配
import urllib.request, urllib.error  # 制定URL，获取网页数据
import xlwt  # 进行Excel操作
import sqlite3  # 操作SQLite数据库
import urllib.request
import urllib.parse

'''
def main(a):
    print("hello",a)


if __name__ == "__main__":      #当程序执行时，第一个执行的函数 (保证了程序的入口）
    main(1)                      #调用函数
'''


# 流程：
# 1.爬取网页
# 2.逐一解析数据
# 3.保存数据


def main():
    baseurl = "https://movie.douban.com/top250?start="
    datalist = getData(baseurl)
    savepath = ".\\豆瓣电影Top250.xls"
    saveData(datalist,savepath)

    # 1.爬取网页
    # datalist = getData(baseurl)
    # savepath = ".\\豆瓣电影Top250.xls"          # 给定保存路径， "." 表示保存到本地文件夹，第一个 "\" 表示转义字符， 如果不想用转译字符在等号后面加 r 也可以
    # 3.保存数据
    # saveData(savepath)

    # askURL("https://movie.douban.com/top250?start=")




#创建正则表达式规则
#"."表示一个字符 ".*"表示0次到多次，多个字符 ".*?"表示0次或一次
#影片详情链接的规则
findLink = re.compile(r'')          #创建一个全局的正则表达式对象，表示规则（字符串的模式）
#影片图片
findImgSrc = re.compile(r'',re.S)        #re.S 表示忽略换行符，让换行符包含在字符中
#影片的片名
findTilte = re.compile(r'(.*)')
#影片评分
findRating = re.compile(r'(.*)')
#找到评价人数
findJudge = re.compile((r'(\d*)人评价'))          #\d表示整数，\d*表示多个整数组成的数
#找到概况
findInq =re.compile(r'(.*)')
#找到影片的相关内容
findBd = re.compile(r'
(.*?)
',re.S)



# 1.爬取网页
def getData(baseurl):
    datalist = []
    # 2.逐一获取数据
    for i in range(0,10):       #调用获取页面信息的函数，10次
        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"):
            #print(item)    #测试：查看电影item全部信息
            data = [] #保存一部电影的所有信息
            item = str(item)

            #影片详情的链接,并追加进data
            link = re.findall(findLink,item)[0]     #通过正则表达式re库查找指定的字符串      #[0]是因为这是一个字符串我们需要拿到str中的第一个值
            data.append(link)                      #添加链接

            # 影片详图片的链接,并追加进data
            imgSrc = re.findall(findImgSrc,item)[0]
            data.append(imgSrc)                     #添加图片

            # 标题
            titles = re.findall(findTilte,item)      #片名可能只有一个中文名，没有外文名
            if len(titles)==2:
                ctitle = titles[0]
                data.append(ctitle)                  #添加中文名
                otitle = titles[1].replace("/","")    #replace("/","")表示把"/"替换成空值"",去掉无关的符号
                data.append(otitle)                  #添加外文名
            else:
                data.append(titles[0])
                data.append(" ")                    #没有外文名，留空


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

            judgeNum = re.findall(findJudge,item)[0]
            data.append(judgeNum)                   #添加评价人数

            inq = re.findall(findInq,item)
            if len(inq)!=0:
                inq = inq[0].replace("。","")
                data.append(inq)                    #添加概述
            else:
                data.append("")                     #没有概述，留空


            #bd信息
            bd = re.findall(findBd,item)[0]
            bd = re.sub('(\s+)?'," ",bd)     #去掉

            bd = re.sub('/'," ",bd)     #替换/
            data.append(bd.strip())     #去掉前后的空格

            datalist.append(data)       #把处理好的一部电影的信息放入datalist
    return datalist



# 得到一个指定URL的网页信息
def askURL(url):
    head = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.162 Safari/537.36 Edg/80.0.361.109"}
    # 模拟浏览器头部信息，向豆瓣服务器发送消息
    # 用户代理， 表示高速服务器，我们什么类型的机器，浏览器（本质上是高速浏览器，我们可以接受什么水平的信息）

    request = urllib.request.Request(url=url, headers=head)
    html = ""  # 用来存储返回信息的字符串
    try:
        response = urllib.request.urlopen(request,timeout = 50)
        html = response.read().decode("utf-8")
        #print(html)
        return html
    except urllib.error.URLError as e:
        if hasattr(e, "code"):  # 打印错误原代码，404 418什么的
            print(e, code)
        if hasattr(e, "reason"):    # 打印错误原原因，time out什么的
            print(e.reason)




# 3.保存数据
def saveData(datalist,savepath):
    print("save...")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)  # 创建workbook对象
    sheet = book.add_sheet("豆瓣电影Top250",cell_overwrite_ok=True)  # 创建工作表
    col = ("电影详情链接","图片链接","影片中文名","影片外文名","评分","概况","相关信息")
    for i in range(len(col)):
        sheet.write(0,i,col[i]) #列名
    for i in range(0,250):
        print("第%d条"%(i+1))
        data = datalist[i]
        for j in range(len(col)):
            sheet.write(i+1,j,data[j])     #数据

    book.save("豆瓣电影Top250.xls")             #保存
    print("爬取完毕")

if __name__ == "__main__":
    main()