Python大作业-网络爬虫程序

简介

此程序是本人大三时期的Python大作业，初学Python后所编写的一个程序，是一个网络爬虫程序，可爬取指定网站的信息。

本程序爬取的网站是Bangumi-我看过的动画，Bangumi是一个专注于二次元的收视进度管理网站，在这里可以记录自己看过的动画和书籍、玩过的游戏、听过的音乐等等，本程序爬取的正是作者本人看过的所有动画，读者若想爬取自己看过的动画，可下载程序后，自行修改源代码中的相应网址。

本程序使用Python编写，使用PyCharm进行开发，数据库使用MySQL数据库，程序可将“Bangumi-我看过的动画”中的所有动画信息爬取下来，并保存至数据库和Excel表格中，亦可将爬取的网站html源码保存至本地，作者还编写了一个JavaWeb程序，用网页的形式展示爬取到的所有动画信息。

注：“Bangumi-我看过的动画”网页源码可能会改变，所以请注意该爬虫程序的时效性。

程序源代码及程序设计说明书可点击下方链接进行下载，供各位需要的人学习参考。

下载链接：Python爬虫-Bangumi

程序代码

在此展示Python爬虫的完整代码，代码不多做介绍，详细请看代码注释或程序设计说明书，若读者对JavaWeb展示爬取数据感兴趣，可至文章开头处下载程序，进行了解。

import re
import ssl
import xlwt
import pymysql
import urllib.request
import urllib.error
from bs4 import BeautifulSoup


# 主函数
def main():
    print("开始爬取网站")
    ssl._create_default_https_context = ssl._create_unverified_context  #全局取消证书验证
    baseurl = "https://bangumi.tv/anime/list/430090/collect"  #要爬取的网站-Bangumi我看过的动画
    pagecount = getPageCount(baseurl)  #获取要爬取的页面总数
    datalist = getData(baseurl, pagecount)  #爬取网页，获取网页数据，并解析数据
    saveDataToDatabase(datalist)  #将数据保存至数据库
    saveDataToExcel(datalist)  #将数据保存至excel表格
    print("网站爬取成功，完毕！！！")


# 获取HTML页面内容
def getHTML(url):
    print("正在获取页面 "+url+" ......")
    headers = {  #反反爬虫，模拟浏览器头部信息
        "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=headers)
    response = urllib.request.urlopen(request)
    html = response.read().decode("utf-8")
    print("页面获取成功")
    return html


# 保存HTML页面
def saveHTML(html, page):
    print("正在保存页面"+str(page)+"......")
    fileobj = open("lib/html/page"+str(page)+".html", "w", encoding="utf-8")
    fileobj.write(html)
    fileobj.close()
    print("页面"+str(page)+"保存成功")


# 获取要爬取的页面总数
def getPageCount(baseurl):
    pagecount = 0  #页面总数
    html = getHTML(baseurl)
    print("正在获取页面总页数......")
    soup = BeautifulSoup(html, "html.parser")
    ul = soup.find("ul", id="browserItemList")
    li = ul.find("li")
    if li is None:  #若ul标签里无li标签，则表示页面总数为0，即我看过的动画为0
        pagecount = 0
    else:
        div = soup.find("div", id="multipage")
        span = div.find("span", class_="p_edge")  #页面过多的话，div标签里会有一个span标签，网站会将“当前页数/总页数”放在此span标签中
        if span is not None:  #若有span标签，则可以直接获取页面总数
            result = re.findall(r'[0-9]+', span.string)
            pagecount = int(result[1])
        else:  #若无span标签，则需通过a标签获取页面总数
            alist = div.find_all("a")
            if len(alist) != 0:  #若有a标签，则倒数第二个a标签的内容即为总页数
                pagecount = int(alist[len(alist) - 2].string)
            else:  #若无a标签，则表示页面总数为1
                pagecount = 1
    print("页面总数获取成功，页面总数为{}页".format(pagecount))
    return pagecount


# 将网页中的链接由相对路径改为绝对路径，或修改不符合要求的链接
def changeLink(html):
    print("正在修改相关链接......")
    soup = BeautifulSoup(html, "html.parser")
    # 获取所有a标签，对不符合要求的进行修改
    a_list = soup.find_all("a")
    for i in a_list:  #对链接为相对路径的a标签进行修改
        if 'href' in i.attrs and re.match(r'/[^\s]*', i['href']) is not None:
            i['href'] = "https://bangumi.tv" + i['href']
    # 获取所有link标签，对不符合要求的进行修改
    link_list = soup.find_all("link")
    for i in link_list:  #对链接为相对路径的link标签进行修改
        if 'href' in i.attrs and re.match(r'/[^\s]*', i['href']) is not None:
            i['href'] = "https://bangumi.tv" + i['href']
    # 获取所有script标签，对不符合要求的进行修改
    script_list = soup.find_all("script")
    for i in script_list:  #对链接为相对路径的script标签进行修改
        if 'src' in i.attrs and re.match(r'/[^\s]*', i['src']) is not None:
            i['src'] = "https://bangumi.tv" + i['src']
    # 获取所有form标签，对不符合要求的进行修改
    form_list = soup.find_all("form")
    for i in form_list:  #对链接为相对路径的form标签进行修改
        if 'action' in i.attrs and re.match(r'/[^\s]*', i['action']) is not None:
            i['action'] = "https://bangumi.tv" + i['action']
    # 获取所有img标签，对不符合要求的进行修改
    img_list = soup.find_all("img")
    for i in img_list:  #为img标签的图片链接加上https:前缀
        if 'src' in i.attrs and re.match(r'//[^\s]*', i['src']) is not None:
            i['src'] = "https:" + i['src']
    # 发生未知错误，无法正确爬取获取该动画的img标签的src属性，实属无奈，故手动显式修改
    if soup.find("li", id="item_7157") is not None:
        img = soup.find("li", id="item_7157").find("img")
        img['src'] = "https://lain.bgm.tv/pic/cover/s/6e/01/7157_QV8Rz.jpg"
    # 特殊情况，为我的头像的图片链接加上https:前缀
    span = soup.find("span", class_="avatarNeue")
    span['style'] = re.sub(r'//[^\s]*', "https:" + re.search(r'//[^\s]*', span['style']).group(), span['style'])
    # 特殊情况，修改特定a标签链接
    div = soup.find("div", id="robot_speech")
    a = div.find("a", class_="nav")
    a['href'] = "https://bangumi.tv/" + a['href']
    print("相关链接修改成功")
    return soup.prettify()


# 将网页改为本地，相关依赖使用本地资源，无需联网即可访问............ 暂不考虑实现
def toLocal():
    pass


# 爬取网页，获取网页数据，并解析数据
def getData(baseurl, pagecount):
    datalist = []  #二维列表，用于存放所有我看过的动画
    for i in range(1, pagecount+1):  #遍历所有页面，一个一个爬取
        url = baseurl + "?page=" + str(i)
        html = getHTML(url)  #获取HTML页面内容
        html = changeLink(html)  #修改相关链接
        saveHTML(html, i)  #保存HTML页面
        print("开始爬取解析页面"+str(i))
        soup = BeautifulSoup(html, "html.parser")
        all_animation = soup.find("ul", id="browserItemList")  #该ul标签中存放了目标数据，即我看过的动画
        # 逐一解析数据
        for item in all_animation.find_all("li"):  #遍历一个个li标签，即遍历一部部我看过的动画，并获取数据
            data = []
            # 获取id
            idd = re.search(r'[0-9]+', item['id']).group()
            data.append(idd)
            print("正在解析动画(id:{})数据......".format(idd))
            # 获取中文名
            chinese_name = item.find("a", class_="l").string.strip()
            data.append(chinese_name)
            # 获取原名
            if item.find("small", class_="grey") is None:  #可能无原名
                original_name = ""
            else:
                original_name = item.find("small", class_="grey").string.strip()
            data.append(original_name)
            # 获取话数、放送开始时间、导演等人
            info = item.find("p", class_="info tip").string
            episodes = re.search(r'[0-9]+', info).group()
            if re.search(r'[\d]+年[\d]+月[\d]+日', info) is not None:  #有两种日期格式
                broadcast_time = re.search(r'[\d]+年[\d]+月[\d]+日', info).group()
                broadcast_time = re.sub(r'[^\d]+', "-", broadcast_time).strip("-")  #转换为xxxx-xx-xx的格式
            elif re.search(r'[\d]+-[\d]+-[\d]+', info) is not None:
                broadcast_time = re.search(r'[\d]+-[\d]+-[\d]+', info).group()
            else:
                broadcast_time = ""
            if re.search(r'日.+', info) is None:  #可能无导演等人
                people = ""
            else:
                people = re.search(r'日.+', info).group()
                people = people[4:].strip()
            data.append(episodes)
            data.append(broadcast_time)
            data.append(people)
            # 获取收藏时间
            star_time = item.find("span", class_="tip_j").string.strip()
            data.append(star_time)
            # 获取个人评分
            score = item.find("span", class_="starlight")['class'][1]
            score = re.search(r'[0-9]+', score).group()
            data.append(score)
            # 获取个人标签
            if item.find("span", class_="tip") is None:  #可能无个人标签
                tag = ""
            else:
                tag = item.find("span", class_="tip").string
                tag = tag.strip()[4:]
            data.append(tag)
            # 获取页面网址
            page_url = item.find("a", class_="l")['href']
            data.append(page_url)
            # 获取缩略封面图网址，并下载保存
            print("正在下载缩略封面图{}.jpg".format(idd))
            low_image_url = item.find("img", class_="cover")['src']
            data.append(low_image_url)
            low_image_path = "lib/image/low/" + idd + ".jpg"
            data.append(low_image_path)
            low_image_url = re.sub(r'lain.bgm', "bangumi", low_image_url)  #图片原链接不允许爬取下载，故需转换下链接
            urllib.request.urlretrieve(low_image_url, low_image_path)  #下载缩略封面图
            # 获取高清封面图网址，并下载保存
            print("正在下载高清封面图{}.jpg".format(idd))
            high_image_url = re.sub(r'/s/', "/l/", low_image_url)  #缩略图和高清图的网址仅有一字之差
            data.append(high_image_url)
            high_image_path = "lib/image/high/" + idd + ".jpg"
            data.append(high_image_path)
            #urllib.request.urlretrieve(high_image_url, high_image_path)  #下载高清封面图，文件较大且多，故很花时间
            datalist.append(data)
        print("页面{}爬取解析成功".format(str(i)))
    return datalist


# 将数据保存至数据库
def saveDataToDatabase(datalist):
    print("开始将数据保存至数据库")
    con = pymysql.connect(host="localhost", database="web_crawler", user="root", password="root")
    cur = con.cursor()
    sql = "insert into animation values(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)"
    try:
        for data in datalist:
            print("正在保存动画(id:{})数据至数据库......".format(data[0]))
            cur.execute(sql, tuple(data))
        con.commit()
    except:
        con.rollback()  #发生错误时回滚
        print("数据保存失败")
    else:
        print("数据保存成功")
    cur.close()
    con.close()


# 将数据保存至excel表格
def saveDataToExcel(datalist):
    print("开始将数据保存至excel表")
    book = xlwt.Workbook(encoding="utf-8")  #创建一个workbook，并设置编码
    sheet = book.add_sheet("我看过的动画")
    colname = ("ID", "中文名", "原名", "话数", "放送开始时间", "导演/原作者/等制作人", "收藏时间", "个人评分", "个人标签", "页面网址", "缩略封面图网址", "缩略封面图本地路径", "高清封面图网址", "高清封面图本地路径")
    style = xlwt.easyxf('font: bold on')  #样式，为列名加粗
    for i in range(0, 14):  #添加列名
        sheet.write(0, i, colname[i], style)
    for i in range(0, len(datalist)):  #添加数据
        data = datalist[i]
        print("正在保存动画(id:{})数据至excel表......".format(data[0]))
        for j in range(0, 14):
            sheet.write(i + 1, j, data[j])
    book.save("lib/excel/Bangumi-我看过的动画.xls")  #保存excel表
    print("数据保存成功")


if __name__ == "__main__":
    main()

运行结果

代码编写完成后运行程序，程序运行过程中会在控制台实时输出当前爬取进度

爬取完毕后，可看到成功导出html文件

成功下载封面图片

信息成功保存至数据库

成功保存至Excel表格

最后JavaWeb程序也成功展示爬取的数据

后记

本程序仅供学习和参考，请勿抄袭或另作他用。

感谢观看，有什么问题可在下方评论区进行评论，若觉得本文章写得不错，还请点个赞呢。

关注我，收看更多精彩！( • ̀ω•́ )✧求点赞、评论、收藏、关注