一、基本流程
继续之前的博客,进行最后的完工:https://www.cnblogs.com/hhjing/p/13419881.html
二、程序源码
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
import urllib.request,urllib.error #指定URL获取网页数据 import bs4 #网页解析数据获取 import re #正则表达式,进行文字匹配的 import xlwt #进行excel操作 import sqlite3 #进行SQLite数据库操作 import pymysql #进行mysql数据库操作 from bs4 import BeautifulSoup #主函数 def main(): baseurl="https://movie.douban.com/top250?start=" #1.爬取网页 #2.逐一解析数据 dataList=getDate(baseurl) # dbpath="database.db" #3.连接数据库,并保存数据 saveData(dataList); #askURL("https://movie.douban.com/top250?start=") #影片详情链接的规则 findLink=re.compile(r'<a href="(.*?)">') #生成正则表达式对象,表示规则(字符串的模式) #影片图片的规则 findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S) #re.S让换行符包含在字符中,然后进行比对 #影片片名的规则 findTitle=re.compile(r'<span class="title">(.*)</span>') #影片评分的规则 findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>') #找到评价人数 findJudge=re.compile(r'<span>(\d*)人评价</span>') #找到概况 findInq=re.compile(r'<span class="inq">(.*)</span>') #找到影片的相关内容 findBd=re.compile(r'<p class="">(.*?)</p>',re.S) #-------------------------相关函数----------------------------- #1.爬取网页 def getDate(baseurl): dataList=[] for i in range(0,10): #循环爬取页面,调用活页页面信息的函数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") #"html.parser"是一种页面解析器 for item in soup.find_all('div',class_="item"): #查找符合要求的字符串,找到能够完整提出一个影片内容的项,即页面中所有样式是item类的div #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) #获取影片详情链接 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 if(len(titles)==2): #片名可能有两个国家的名 ctitle=titles[0] data.append(ctitle) #添加中国名 etitle=titles[1].replace("/","") #去掉无关的"/"符号 data.append(etitle) #添加外国名 else: data.append(titles[0]) data.append(' ') #外国名留空,为使后面的信息保存到数据库或者表格中不篡位 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("。","") #替换句号 data.append(inq) else: data.append(" ") #留空,为使后面的信息保存到数据库或者表格中不篡位 bd=re.findall(findBd,item)[0] bd=re.sub('<br(\s+)?/>(\s+)?'," ",bd) #去掉<br/> 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到dataList return dataList #得到指定一个URL的网页内容 def askURL(url): head={ #模拟浏览器头部消息,向豆瓣服务器发送消息 "User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 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) 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.连接数据库,并保存数据 def saveData(dataList): db = pymysql.connect(host = 'localhost', port=3306, user='root', password='20000604', db='myself', charset='utf8') #使用cursor方法生成一个游标 cursor=db.cursor() for data in dataList: for index in range(len(data)): data[index]='"'+data[index]+'"' sql=''' insert into movie250(info_link,pic_link,cname,ename,soore,rated,instrodction,info) values(%s)'''%",".join(data) print(sql) cursor.execute(sql) db.commit() cursor.close() db.close() if __name__=="__main__": #当程序执行时,更容易管理代码主流程(程序入口) #调用函数 main();
三、运行截图
四、遇到的问题
1.在爬取解析数据的时候,出现信息串位的问题
原因:有的电影有中英文,还有的篇名没有相关的评价,需要留空
2.开始时数据存入到mysql的时候,保存失败
测试方法:先使用print(sql)输出相关语句,查找问题以及出错原因
出错原因:sql语句位置写错了,写在了for循环里边,python是根据错位来判断执行顺序的,所以需要更加注意代码编写的规范