Python爬虫-爬取豆瓣TOP250
目的：该文章的目的是对豆瓣TOP250网页进行爬取，获取"电影详情链接","图片链接","影片中文名","影片外国名","评分","评价数","概况","相关信息"等数据。并将数据存储到excel表格和数据库中。
爬取网页的流程：
- 导入所需库
- 获取所要爬取网页的URL和请求标头
- 通过urllib库、requests库等获取网页数据（如果无误，会有一个response的返回值，这就是网页内容了）
进入豆瓣TOP250网址：豆瓣电影 Top 250
首先介绍一下如何查找URL和请求头。如下图所示：
然后开始观察网页URL值的不同之处：
通过查看网页间的联系，可以发现网页间仅start= ？的值不同，每次都增加25，并且我们可以发现每页恰好有25条电影的信息。因此我们可以构建网页的URL值了：
爬取网页的源代码：
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():#主函数
baseurl = "https://movie.douban.com/top250?start="
for i in range(0,10): #调用获取页面信息的函数，10次
print("第{}页网页准备开始爬取:".format(i+1))
url = baseurl + str(i*25)
html = askURL(url,i) #保存获取到的网页源码
#print(html)#通过print可输出10页的网页源代码，因为比较多，就不输出了
#得到指定一个URL的网页内容
def askURL(url,i):
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 / 80.0.3987.122 Safari / 537.36"
}
request = urllib.request.Request(url,headers=head)#获取网页链接
html = ""
try:
response = urllib.request.urlopen(request)#get请求
html = response.read().decode("utf-8")
except urllib.error.URLError as e:#捕获错误（例如请求超时）
if hasattr(e,'code'):
print(e.code)
if hasattr(e,"reason"):
print(e.reason)
print("第{}网页源代码爬取完毕！".format(i+1))
return html
if __name__ == "__main__": #当程序执行时
#调用函数
main()运行结果如下：
网页解析流程：
- 导入所需库
- 找到想要的网页数据，观察它们相同数据的规律，然后运用re库设置所需要数据的规则
- 运用bs4库对已获取的网页源代码进行解析
- 依据设置的规则对获取到的数据进行过滤并形成列表
通过查看网页源代码（两种方法：1、print查看查看获取的源代码。2、网页面，点击F12，查看源代码）。对需要的数据进行总结，发现其规律，定制对应的规则：。
在后边处理数据时，可能有些影片的某些数据不存在（如：外国名），则需要对其进行留空处理；而有些数据会存在不需要的字符，则需进行替换处理或删除处理（如：概况、相关信息）：
网页解析源代码（含网页获取代码）：
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)
# 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
print("第{}页网页准备开始爬取:".format(i + 1))
url = baseurl + str(i * 25)
html = askURL(url, i) # 保存获取到的网页源码
# 2.逐一解析数据
soup = BeautifulSoup(html, "html.parser")#解析
print("开始解析第{}页源代码:".format(i + 1))
m = 0
for item in soup.find_all('div', class_="item"): # 查找所有符合要求的字符串，形成列表
# 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
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] # 添加中文名
data.append(ctitle)
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) # 添加加评价人数
inq = re.findall(findInq, item)#概况
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]#相关信息
bd = re.sub('
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("第{}条电影数据已处理".format(i * 25 + m + 1))
m += 1
print(data)#输出每部电影数据
return datalist
# 得到指定一个URL的网页内容
def askURL(url, i):
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 / 80.0.3987.122 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，我们可以接收什么水平的文件内容）
request = urllib.request.Request(url, headers=head) # 获取网页链接
html = ""
try:
response = urllib.request.urlopen(request) # get请求
html = response.read().decode("utf-8")
# print(html)
except urllib.error.URLError as e: # 捕获错误
if hasattr(e, "odec"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
print("第{}网页源代码爬取完毕！".format(i + 1))
return html
if __name__ == "__main__": # 当程序执行时
# 调用函数
main()
执行结果如下：
数据储存流程：
- 导入所需库
- 先创建excel表格/数据库（储存到不同的地方，需要用到不同的库）
- 将列表中的数据储存进去
excel表写入数据，需要写入的数据是str类型。数据库对应的值应该和库中键的类型相同，所以我们需要对numeric数据类型进行判断。建库建表时，应保证其数据顺序与前边保存到datalist当中的数据对应。：
保存数据时，若同时通过data[]保存到excel和数据库会使data[]范围超出。我们可以另外设置一个列表，使其保存内容与datalist一致。保存到excel和数据库时，各调用一个列表。或者一个一个运行保存。
数据存储代码（也是本文章总体代码）：
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 = "movie1.db"
#3.保存数据（保存数据时，若同时通过data[]保存会使data[]范围超出。我们可以令外设置一个列
#表，使其保存内容与datalist一致。每个保存调用一个列表）
saveData(datalist,savepath)#保存到excel
#saveData2DB(datalist,dbpath)#保存到数据库
#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
print("第{}页网页准备开始爬取:".format(i+1))
url = baseurl + str(i*25)
html = askURL(url,i) #保存获取到的网页源码
# 2.逐一解析数据
soup = BeautifulSoup(html,"html.parser")
print("开始解析第{}页源代码:".format(i+1))
m = 0
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
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
# 添加图片链接
imgSrc = re.findall(findImgSrc,item)[0]
data.append(imgSrc)
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] #添加中文名
data.append(ctitle)
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) #提加评价人数
#概述
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
#相关信息
bd = re.findall(findBd,item)[0]
bd = re.sub('
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("第{}条电影数据已处理".format(i*25+m+1))
m+=1
return datalist
#得到指定一个URL的网页内容
def askURL(url,i):
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 / 80.0.3987.122 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，我们可以接收什么水平的文件内容）
request = urllib.request.Request(url,headers=head)#获取网页链接
html = ""
try:
response = urllib.request.urlopen(request)#get请求
html = response.read().decode("utf-8")
#print(html)
except urllib.error.URLError as e:#捕获错误
if hasattr(e,"odec"):
print(e.code)
if hasattr(e,"reason"):
print(e.reason)
print("第{}网页源代码爬取完毕！".format(i+1))
return html
#保存数据
def saveData(datalist,savepath):
print("开始保存数据到excel")
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","影片外国名","评分","评价数","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条已保存" %(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
print("数据已保存到excel")
#保存到数据库
def init_db(dbpath):
print("准备建立数据库")
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()
print("数据库已创建完成")
def saveData2DB(datalist,dbpath):
init_db(dbpath)
conn = sqlite3.connect(dbpath)
cur = conn.cursor()#获取游标
print("开始将数据保存到数据库")
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)
print(sql)
cur.execute(sql)
conn.commit()#提交操作
print("本条sql语句已执行")
cur.close()#关闭游标
conn.close()#关闭数据库
print("250条数据已储存到数据库")
if __name__ == "__main__": #当程序执行时
#调用函数
main()
#init_db("movietest.db") 运行结果：
保存到excel：
保存到数据库：
爬取结果：
结语：
在如今的大环境下，学会设计和制造爬虫和反爬虫还是较为重要的。爬虫能够帮助我们更快更准确的获取数据，省时又省力。多出来的时间我们可以选择休息或学习感兴趣的知识，岂不快哉。