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 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" dbpath = "movie.db" # 3.保存数据 saveData2DB(datalist,dbpath) # askURL("https://movie.douban.com/top250?start=") #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） #影片图片链接的规则 findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S) #re.S 让换行符包含在字符中 #影片的片名 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 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 返回值的保存 # 2.逐一解析数据 soup = BeautifulSoup(html,"html.parser") for item in soup.find_all('div',class_="item"): # 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) #影片详情的链接 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，没有外国名 if(len(titles) == 2): ctitle = titles[0] data.append(ctitle) #添加中文名 otitle = titles[1].replace("/","") #去掉无关的符号，替换为空 data.append(otitle) #添加外文名 else: data.append(titles[0]) data.append(' ') #外文名没有则留空，防止被下一列内容占掉 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("。","") #去掉中文句号 data.append(inq) #添加概述 else: data.append(" ") #如果没有概述，则留空占位 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datalist # print(datalist) return datalist #得到指定一个URL的网页内容 def askURL(url): head = { #模拟浏览器头部信息 "User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWe" "bKit / 537.36(KHTML, likeGecko) Chrome / 78." "0.3904.108Safari / 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.保存数据 def savaData(datalist,savepath): print("saving...") 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","影片外文名","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]) #数据 book.save(savepath) #保存 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] + '"' #给原值前后各加一个双引号 sql = ''' insert into movie250 ( info_link,pic_link,cname,ename,score,rated,instroduction,info) values(%s)'''%",".join(data) #每个之间放一个"," # print(sql) cur.execute(sql) conn.commit() cur.close() conn.close() # 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) cursor = conn.cursor() cursor.execute(sql) conn.commit() conn.close() if __name__ == "__main__": main() # init_db("movietest.db") print("爬取完毕")