手把手教你网络爬虫（爬取豆瓣电影top250，附带源代码）

概念

网络爬虫就是按照一定的规则，自动抓取互联网信息的程序或脚本。其本质就是模拟浏览器打开网页，获取网页中我们需要的数据。

基本流程

1. 准备工作（构建流程）
2. 获取数据
3. 解析内容
4. 保存数据

1. 准备工作

'''
#执行流程
def main(a):
    print("hello",a)

main(2)

if __name__ == '__main__':      #当程序执行时
    main(1)             #调用函数
'''
'''
#引入模块
#引入自定义的模块
# from test1 import t1

#引入系统的模块
import os
import sys

#引入第三方的模块
import re
'''

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

下载第三方模块文件：file——setting——project——python interpreter—— +

2. 构建流程

def main():
    baseurl = "https://movie.douban.com/top250"
    #1.爬取网页
    datalist = getData(baseurl)
    savepath = ".\\豆瓣电影top250.xls"
    #3.保存数据
    saveData(savepath)
#爬取网页
def getData(baseurl):
    datalist = []
    # 2.逐一解析数据
    return datalist

#保存数据
def saveData(savepath):
    print("save....")

if __name__ == '__main__':
    main()

3. 获取数据

#获取单个指定url网页的内容
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(Linux; Android 6.0; Nexus 5 Build / MRA58N) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 110.0.0.0 Mobile Safari / 537.36 Edg / 110.0.1587.50"
    }
            #用户代理：告诉豆瓣服务器我们是什么类型的机器、浏览器，本质上是告诉服务器，我们可以接受什么样的文件内容
    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

4. 解析内容

#影片详情的规则
findLink = re.compile(r'<a href="(.*?)"')
#影片图片的规则
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)
#影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片的评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#评价人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
#概况
findInq = re.compile(r'<span class="inq">(.*)</span>')
#影片相关内容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)

 # 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：查看电影item全部信息
            # break
            data = []

            item = str(item)
            #影片详情的链接
            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)           #添加链接

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

            titles = re.findall(findTitle,item) #名字可能只有中文名，没有外文名，需要区分一下
            if len(titles) == 2:
                ctitle = titles[0]
                data.append(ctitle)
                otitle = titles[1].replace("/","")      #去掉无关符号
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append(" ")            #外文名留空

            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)
            # data.append(inq)                #添加概述
            if len(inq) != 0:
                inq = inq[0].replace("。","")        #去掉句号
                data.append(inq)
            else:
                data.append(" ")        #留空

            bd = re.findall(findBd,item)[0]
            bd = re.sub("<br(\s+)?/>(s+)?"," ",bd)
            bd = re.sub("/"," ",bd)     #替换/
            data.append(bd.strip())     #去掉前后空格

            datalist.append(data)           #把处理好的一部电影信息放入dataList

    print(datalist)
    return datalist

5.保存数据

(1)保存数据到excel

#保存数据
def saveData(datalist,savepath):
    workbook = xlwt.Workbook(encoding="utf-8",style_compression=0)
    worksheet = workbook.add_sheet("豆瓣电影top250",cell_overwrite_ok=True)
    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):
        worksheet.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):
            worksheet.write(i+1,j,data[j])

    workbook.save(savepath)

（2）保存数据到SQLite

 # savepath = "豆瓣电影top250.xls"
    dbpath = "movie.db"
    #3.保存数据
    # saveData(datalist,savepath)
    saveData2DB(datalist,dbpath)

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,introduction,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,
        introduction text,
        info text
        )
    '''  #创建数据库
    conn = sqlite3.connect(dbpath)
    cursor = conn.cursor()
    cursor.execute(sql)
    conn.commit()
    conn.close()

完整代码

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

#影片详情的规则
findLink = re.compile(r'<a href="(.*?)"')
#影片图片的规则
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)
#影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片的评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#评价人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
#概况
findInq = re.compile(r'<span class="inq">(.*)</span>')
#影片相关内容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)

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



#爬取网页
def getData(baseurl):
    datalist = []
    for i in range(0,10):
        url = baseurl + str(i * 25)
        html = askUrl(url)

        # 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：查看电影item全部信息
            # break
            data = []

            item = str(item)
            #影片详情的链接
            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)           #添加链接

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

            titles = re.findall(findTitle,item) #名字可能只有中文名，没有外文名，需要区分一下
            if len(titles) == 2:
                ctitle = titles[0]
                data.append(ctitle)
                otitle = titles[1].replace("/","")      #去掉无关符号
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append(" ")            #外文名留空

            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)
            else:
                data.append(" ")        #留空

            bd = re.findall(findBd,item)[0]
            bd = re.sub("<br(\s+)?/>(s+)?"," ",bd)
            bd = re.sub("/"," ",bd)     #替换/
            data.append(bd.strip())     #去掉前后空格

            datalist.append(data)           #把处理好的一部电影信息放入dataList

    print(datalist)
    return datalist


#获取单个指定url网页的内容
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(Linux; Android 6.0; Nexus 5 Build / MRA58N) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 110.0.0.0 Mobile Safari / 537.36 Edg / 110.0.1587.50"
    }
            #用户代理：告诉豆瓣服务器我们是什么类型的机器、浏览器，本质上是告诉服务器，我们可以接受什么样的文件内容
    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


#保存数据
def saveData(datalist,savepath):
    workbook = xlwt.Workbook(encoding="utf-8",style_compression=0)
    worksheet = workbook.add_sheet("豆瓣电影top250",cell_overwrite_ok=True)
    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):
        worksheet.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):
            worksheet.write(i+1,j,data[j])

    workbook.save(savepath)

if __name__ == '__main__':
    main()
    print("爬取完毕")

最后，整个爬虫就学完了，剩下的是前端页面展示。在此之前我还要总结一下爬虫的流程，总结出来的才是爬虫的精髓。另外，老师现在要求的数据都是保存程json，我却json是什么都不知道，感觉前路漫漫，步履维艰。现在web还在看MyBatis，公考进度几乎停滞，开学已经第四周。进度如此，心中多少有些悲怆。总之，还是抓紧抽时间总结，而且学的越深，进度越慢，自己要抓紧调整，考虑计划是否需要变动，一定要坚持！