导语:疫情在家学习python,琢磨着写一个爬虫程序,实现豆瓣网站的信息爬取,并以Excel表格和SQLite数据库的方式保存,运行效果如下:
运行python文件后生成数据库文件和表格文件
经过多次调试,已排除全部Bug,python文件具体代码如下:
依次点击:File -> Settings -> Editor -> File and Code Templates
在Files栏选择Python Script,添加以下代码
# -*- coding = utf-8 -*-
# @Time: ${DATE} ${TIME}
# @Author: xxx
# @File: ${NAME}.py
# @Software: ${PRODUCT_NAME}
from bs4 import BeautifulSoup # 网页解析,获取数据
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 # 进行SQLite数据库操作
# 1.获取影片超链接的规则
findLink = re.compile(r'') # 生成正则表达式对象,表示规则(字符串的模式)
# 2.影片图片
findImgSrc = re.compile(r',re.S) # S忽略换行
# 3.影片片名
findTitle = re.compile(r'(.*)')
# 4.影片评分
findRating = re.compile(r' ')
# 5.影片评价人数
findJudge = re.compile(r'(\d*)人评价')
# 6.影片概况
findInq = re.compile(r'(.*)')
# 7.影片相关信息
findBd = re.compile(r'(.*?)
',re.S)
# Step0.程序执行时
def main():
print("开始爬取...")
baseurl = "https://movie.douban.com/top250?start="
# Step1.爬取网页;Step2.逐一解析数据
datalist = getData(baseurl)
savepath = ".\\豆瓣电影Top250.xls"
dbpath = "movie.db"
# Step3.保存数据
saveData(datalist,savepath) # 保存数据到Excel
saveData2DB(datalist,dbpath) # 保存数据到SQLite
可以实现两种保存方式
tips:爬取网页时,由于是好几个网页,需要逐页解析,否则只会解析最后一页
# Step1.爬取网页
def getData(baseurl):
print("getData...")
datalist = [] # 创建电影列表
for i in range(0,10): # 调用获取页面信息的函数,10次,25条/页
url = baseurl + str(i*25)
askURL(url)
html = askURL(url) # 保存获取到的网页源码
# Step2.逐一解析数据
soup = BeautifulSoup(html,"html.parser") # 对象,解析器
for item in soup.find_all('div',class_="item"): # 查找符合要求的字符串,形成列表
data =[] # 保存一部电影的所有信息
item = str(item)
# print(item) # 测试:查看电影Item全部信息
# break
# 1.获取影片超链接
link = re.findall(findLink,item)[0] # re库通过正则表达式查找指定的字符串
data.append(link)
# 2.影片图片
imgSrc = re.findall(findImgSrc,item)[0]
data.append(imgSrc)
# 3.影片片名
titles = re.findall(findTitle,item)
if len(titles) == 2:
ctitle = titles[0] # 添加中文名
data.append(ctitle)
otitle = titles[1].replace("/","") # 去掉无关符号
otitle = re.sub(' ', "", otitle) # 替换,去除空格
otitle = re.sub('( )+', "", otitle) # 替换,去除空格
data.append(otitle) # 添加外文名
else:
data.append(titles[0])
data.append(' ') # 外文名空
# 4.影片评分
rating = re.findall(findRating,item)[0]
data.append(rating)
# 5.影片评价人数
judgeNum = re.findall(findJudge,item)[0]
data.append(judgeNum)
# 6.影片概况
inq = re.findall(findInq,item)
if len(inq)!=0:
inq = inq[0].replace(".","")
data.append(inq)
else:
data.append(" ")
# 7.影片相关信息
bd = re.findall(findBd, item)[0]
bd = re.sub('
'," ",bd) # 替换,去除标签
bd = re.sub('/', " ", bd) # 替换,去除斜杠
bd = re.sub(' ', "", bd) # 替换,去除空格
bd = re.sub('( )+',"", bd) # 替换,去除空格
data.append(bd.strip()) # 去空格
# 将一部电影信息添加到电影列表
datalist.append(data)
# print(datalist) # 测试:在控制台打印信息
return datalist
# 得到指定一个URL的网页内容
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 / 85.0.4183.76Safari / 537.36Edg / 85.0.564.40"
}
# 用户代理:通过头部伪装,告诉服务器我们的机器类型:是浏览器而不是爬虫(采用字典类型),我们可以接收什么水平的文件内容
request = urllib.request.Request(url=url,headers=head)
html = ""
try:
response = urllib.request.urlopen(request)
html = response.read().decode('utf-8')
# 打印网页
# print(html)
except urllib.error.URLError as e:
if hasattr(e,"code"): # 标签
print(e.code)
if hasattr(e,"reason"): # 标签
print(e.reason)
return html
# Step3.保存数据
def saveData(datalist,savepath):
print("saveData...")
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","评价人数","概况","相关信息")
for i in range(0,8):
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(0,8):
sheet.write(i+1,j,data[j]) # 数据
book.save(savepath) # 保存
def saveData2DB(datalist,dbpath):
print("saveData...")
init_db(dbpath) # 创建数据表
conn = sqlite3.connect(dbpath)
cur = conn.cursor() # 获取游标
for data in datalist: # 遍历数据表datalist中的数据
for index in range(len(data)): # 遍历每一条数据data中的元素
if index == 4 or index == 5:
continue
data[index] = '"'+data[index]+'"' # 逐一添加双引号
sql = '''
insert into movie250
(info_link,pic_link,cname,ename,score,rated,intro,info)
values(%s);
'''%",".join(data)
# 将data列表元素用逗号连接,拼接成sql语句
# print(sql) # sql调试
cur.execute(sql) # 执行sql语句
conn.commit() # 提交数据库操作
cur.close() # 关闭游标
conn.close() # 关闭数据库连接
# 创建初始化
def init_db(dbpath):
# 创建数据表
sql = '''
create table movie250
(
id integer primary key autoincrement,
info_link text not null,
pic_link int not null,
cname varchar ,
ename varchar ,
score numeric ,
rated numeric ,
intro text,
info text
);
'''
conn = sqlite3.connect(dbpath) # 打开或创建数据库文件
print("数据库连接成功")
c = conn.cursor() # 获取游标
c.execute(sql) # 执行sql语句
conn.commit() # 提交数据库操作
conn.close() # 关闭数据库连接
print("建表成功")
print("数据库关闭")
# 程序入口(主方法)
if __name__ == "__main__":
# 调用函数
main()
# init_db("movieTest.db") # 测试数据库建立
print("爬取完毕")
以上是python文件的全部代码,如有疑问,欢迎关注讨论
附:源码文件
欢迎访问我的博客