爬虫爬取豆瓣电影排行，保存到excel和SQLite

# -*- coding = utf-8 -*-
# @Time    : 2021/11/18 19:54
# @Author  : Vv


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


def main():
    baseurl = "https://movie.douban.com/top250?start="
    # 1、爬取网页
    datalist = getData(baseurl)
    savepath = "豆瓣电影Top250.xls"
    dbpath = "movie.db"
    # 3、保存数据
    saveData(datalist, savepath)
    # saveData2Db(datalist, dbpath)

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

# 影片详情链接的规则
findLink = re.compile(r'')  # 创建正则表达式对象，表示规则（字符串的模式）
# 影片图片
findImgSrc = re.compile(r'(.*)')
# 影片评分
findRating = re.compile(r'(.*)')
# 找到评价人数
findJudge = re.compile(r'(\d*)人评价')
# 找到概况
findInq = re.compile(r'(.*)')
# 找到影片的相关内容
findBd = re.compile(r'
(.*?)
', re.S)


# 爬取网页
def getData(baseurl):
    datalist = []
    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"):  # 查找符合要求的字符串，形成列表
            # print(item)  # 测试查看 i 全部信息
            data = []  # 保存一部电影的全部信息
            item = str(item)

            # 影片详情链接
            link = re.findall(findLink, item)[0]        # re库用来通过正则表达式查找指定的字符串
            data.append(link)                           # 添加链接

            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc)                         # 添加图片

            titles = re.findall(findTitle, item)        # 片名可能只有一个中文名，没有外国名
            if (len(titles) == 2):
                ctitle = titles[0]
                data.append(ctitle)                     # 添加中文名
                otitle = titles[1].replace("/", "")      # 去掉无关的符号
                data.append(otitle)                     # 添加外国名
            else:
                data.append(titles[0])
                data.append(' ')                        # 外国名字留空

            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("。", "")           # 去掉句号
                data.append(inq)                        # 添加概述
            else:
                data.append(" ")                        # 留空

            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信息放入datalist
    # print(datalist)
    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，向豆瓣服务器发送消息
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.71 Safari/537.36"
    }
    # 用户代理，表示告诉豆瓣服务器，我们是什么类型的机器、浏览器（本质上是告诉浏览器，我们可以接受什么水平的文件内容）
    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


# 3、保存数据
def saveData(datalist,savepath):
    # print("test...")
    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', '评分数', '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)
        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):
    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, instroduction, info)
            values (%s)'''%",".join(data)
        cur.execute(sql)
        conn.commit()
    cur.close()
    conn.close()



def init_db(dbpath):
    sql = '''
        create table movie250
        (
        id integer primary key autoincrement ,
        info_link text ,
        pic_link text ,
        cname varchar ,
        ename varchar ,
        score numeric ,
        rated numeric ,
        instroduction text ,
        info 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
    main()
    # init_db("testmovie.db")
    print("爬取完毕")