#案例练习
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.保存数据到xls
saveData(datalist,savepath)
#3.1保存数据到db
saveData2DB(datalist,dbpath)
#创建正则表达式对象，表示规则(字符串的模式)
findLink=re.compile(r'<a href="(.*?)">')#影片详情链接的规则
#影片图片的链接表达式
findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S) #re.S 让换行符包含在字符串中
#影片片名
findTitle=re.compile(r'<span class="title">(.*)</span>')
#影片评分
findRating=re.compile(r'')
#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)
#爬取数据
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
print(link)
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("/","")#去掉无关符合
data.append(otitle)#添加外国名
else:
data.append(titles[0])
data.append(" ")#外国名字留空,保证数据不乱
rating=re.findall(findRating,item)[0]
data.append(rating)#添加评分
judgeNum=re.findall(finJudge,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('<br(\s+)?/>(\s+)?',' ',bd)#去掉<br/>
bd=re.sub('/',' ',bd)#替换掉/
data.append(bd.strip())#去掉前后空格
datalist.append(data)#将处理好的一部电影信息放入datalist中
print(datalist)
return datalist
#得到指定一个URL的网页内容
def askUrl(url):
headers={"User-Agent":"处理内容可以去真实浏览器中复制"}#有些网站卡的多，可以多写几个头部键值对信息
request=urllib.request.Request(url,headers=head)
html=""
try:
response=urllib.request.urlopen("http://httpbin.org/get",timeout=0.01)#如果0.01秒内数据没有响应就超时
print(response.read().decode("utf-8"))
except utllib.error.URLError as e:
print("time out")
if hasattr(e,"code"):
print(e.code)#状态码是多少
if hasattr(e,"reason"):
print(e.reason)#错误的原因是什么
return html
#保存数据
def saveData(savepath):
print("save.....")
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"%(i+1))
data=datalist[i]
for j in range(0,8)
sheet.write(i+1,j,data[j])#写入数据
book.save(savepath)#保存
#保存数据到DB
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:#数字栏位不加引号
continue
data[index]='"'+data[index]+'"'
sql="""#每次拼接好之后执行
insert into movie250(
info_link,pic_link,cname,ename,score,rated,instroduction,info)
values(%s)"""%",".join(data)#列表用逗号拼接
cur.execute(sql)
conn.commit()
cur.close()
conn.close()
#初始化创建数据库
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)#链接数据库，有直接链接，没有就自动创建
cursor=conn.cursor()#创建游标
cursor.execute(sql)#执行sql语句
conn.commit()#提交数据
conn.close()#关闭数据库
if __name__=="__main__":
main()
print("爬取完毕")
