• 爬虫练习——爬取豆瓣前250电影信息


    # -*- codeing = utf-8 -*-
    # @Time : 2020/7/9 16:43
    # @Author: 小菜菜最菜
    # @File : douban.py
    # @Software : PyCharm
    
    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  # 指定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"  # 本地excel保存
        dbpath = "movie.db"             # sqlite数据库保存
        
        saveData2DB(datalist,dbpath)
    
        saveData(datalist,savepath)
    
    
    #影片详情链接的规则
    findLink = re.compile(r'<a href="(.*?)">')     #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'<img.*src="(.*?)"',re.S)   #re.S 让换行符包含在字符中
    #影片片名
    findTitle = re.compile(r'<span class="title">(.*)</span>')
    #影片评分
    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)
    
    
    
    # 爬取网页  一般是边爬取边解析
    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的全部信息
                data = []  # 保存一部电影的所有信息
                item = str(item)
                # 影片详情的连接
                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)
    
                imgSrc = re.findall(findImgSrc,item)[0]
                data.append(imgSrc)
    
                title = re.findall(findTitle,item)   # 片名可能只有一个中文名
                if len(title) == 2:
                    ctitle = title[0]
                    data.append(ctitle)   # 添加中文名
                    otitle = title[1].replace("/","")
                    data.append(otitle)   # 添加外国名
                else:
                    data.append(title[0])
                    data.append(' ')   # 外国名留空
    
                rating = re.findall(findRating,item)[0]
                data.append(rating)
    
                judgeNum = re.findall(findJudge,item)[0]
                data.append(judgeNum)
    
                inq = re.findall(findInq,item)
                if len(inq)!= 0:
                    inq = inq[0].replace("。","")
                    data.append(inq)
                else:
                    data.append(" ")
    
                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datalist
        print(datalist)
        return datalist
    
    
    
    # 得到一个指定URL的网页内容
    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(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,我们可以接受什么水平的
        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. 保存数据
    def saveData(datalist,savepath):
        print('save...')
        book = xlwt.Workbook(encoding="utf-8",style_compression=0)
        sheet = book.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True)
        col = ("电影详情连接","图片连接","影片中文名","影片外国名","评分","评价数","概括","相关信息")
        for i in range(len(col)):
            sheet.write(0,i,col[i])
        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])
        book.save(savepath)
    
    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)
        cursor = conn.cursor()
        cursor.execute(sql)
        conn.commit()
        conn.close()
    
    def saveData2DB(datalist,dbpath):
        init_db(dbpath)
        conn = sqlite3.connect(dbpath)
        cur = conn.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,score,rated,instroduction,info) 
                    values(%s)''' % ",".join(data)
            cur.execute(sql)
            conn.commit()
        cur.close()
        conn.close()
        print("...")
    if __name__ == "__main__":  # 当程序执行时
        # 调用函数
        main()
        print("ending....")
    
    
  • 相关阅读:
    Linux 常用命令-01
    神经网络工具箱torch.nn -05
    Autograd与计算图-04
    Tensor的索引与变形-03
    Tensor数据类型-00
    Tensor的创建与维度查看-01
    转载:网友对rootfs的理解
    【转载】linux启动流程分析
    windows7 自带计算器bug
    网上同仁对linux文件系统的剖析
  • 原文地址:https://www.cnblogs.com/lelezuimei/p/13290097.html
Copyright © 2020-2023  润新知