13、爬虫

爬虫准备

#-*- codeing = utf-8 -*-
#@Time : 2020/6/8 7:33
#@Author : zhangfudong
#@FILE ：douban.py
#@Software : PyCharm

# 豆瓣
# https://movie.douban.com/top250

# 电影天堂
# https://dytt8.net/

# 百度指数
# http://index.baidu.com/

# 天眼查
# https://www.tianyancha.com/

# 爬虫的本质是：模拟浏览器打开网页，获取网页中我们想要的那部分数据信息
# 基本流程：
#  准备工作
#  获取数据：http库。header。Response。

#  解析内容

#  保存数据
# https://movie.douban.com/top250?start=50
# 页面分析250条电影数据，每页25条，分10页
# 每页的URL不同之处：最后的数值=（页数-1）*25
#
# 请求，headers


# 1、python程序的第一行加入：
-*- codeing = utf-8 -*- 或者 coding = utf-8

# 2、python文件中可以加入main函数用于程序的入口
if __name__== "__main__":   ## 当程序执行时
## 调用函数

# 3、引入模块
## module: 使用import引入
## 引入系统模块
import sys
import os

## 引入第三方模块
import re

## 引入自定义模块
from dir1 import test1  ##dir1目录下有test.py文件
print(test1.add(11,33))


import sys
## bs4默认没有安装：
## 方法一：命令行Terminal>>> pip bs4
## 方法二(建议)：file -- settinig -- project:douban --
## -- project interpreter -- + -- 搜索bs4 -- install package -- X(可以关闭) -- OK
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

spider 爬取网页

#-*- codeing = utf-8 -*-
#@Time : 2020/6/8 22:05
#@Author : zhangfudong
#@FILE ：spider.py
#@Software : PyCharm
import urllib
import re

def main():
    baseurl="https://movie.douban.com/top250?start="
    datalist = getData(baseurl)
    ## savepath="豆瓣电影Top250.xls"
    ## savaData(datalist,savepath)
    dbpath="movie.db"
    saveData2DB(datalist,dbpath)

## 获取影片详情链接的规则，全局变量
# findLink = re.compile(r'<a href="https://movie.douban.com/subject/1292052/">')
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
## 获取影片图片链接
findImg = re.compile(r'<img.*src="(.*?)".*/>',re.S) ## re.S表示包含换行符
## 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>')
## 评价人数
findJudge = re.compile(r'<span>(d*)人评价</span>')
## 影片概况
findInq = re.compile(r'<span class="inq">(.*)</span>')
## 影片相关内容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S) ## 忽视换行符，即包含换行符


## 1、爬取网页
def getData(baseurl):
    datalist=[]     ## 定义存放多部电影信息的列表
    for i in range(0,10):       ## 测试时可只访问一页range(0,1),总共10页
        url = baseurl + str(i*25)
        html = askURL(url)      ## 保存获取到的一页源码
        ## 2、逐一解析数据
        from bs4 import BeautifulSoup
        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，既满足条件为div，也满足条件为class="item"的类属性的所有内容
            # print(item) ## 测试：查看item的全部信息
            # break
            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]      ## 用re库来通过正则表达式查找指定规则,[0]表示第一个下标的内容
            # print(link)                                 ## 若获取时不加下标，link则表示列表，可用print(link[0])获取内容
            data.append(link)                   ## 添加片名链接

            imgSrc = re.findall(findImg,item)[0]
            data.append(imgSrc)

            titles = re.findall(findTitle,item)     ## 添加片名
            if(len(titles)==2):
                ctitle = titles[0]                  ## 添加中文名
                data.append(ctitle)
                otitle = titles[1].replace("/"," ")  ## 添加外文名,去掉无关的符号
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append("")

            rating = re.findall(findRating,item)[0]
            data.append(rating)         ## 添加评分

            judgeNum = re.findall(findJudge,item)[0]
            data.append(judgeNum)       ## 添加评论人数

            inq = re.findall(findInq,item)  ## 可能存在没有概述的情况
            if len(inq) != 0:
                inq=inq[0].replace("。"," ")  ## 去掉句号
                data.append(inq)            ## 添加概述
            else:
                data.append(" ")

            bd = re.findall(findBd,item)[0]
            bd = re.sub('<br(s+)?/>(s+)?'," ",bd) ## 去掉</br>
            bd = re.sub('/'," ",bd) ## 去掉/
            data.append(bd.strip())         ## 去掉空格，添加影片相关内容

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

    ## 返回所有电影信息
    # print(datalist)
    return datalist


### 得到指定一个url的网页内容
## 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内容
import   urllib.request
import  urllib.error
def askURL(url):
    head={  ## 模拟浏览器头部信息，向豆瓣服务器发送请求
        "User-Agent": "Mozilla / 5.0 (Windows NT 6.1; Win64; x64) AppleWebKit / 537.36 (KHTML, like Gecko) Chrome / 83.0.4103.97 Safari / 537.36"
    }
    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

# import os
# os.remove("aaa.xls")
import xlwt
import sqlite3
## 3、保存数据
def savaData(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 = ("电影详情链接","图片链接","电影中文名","电影外国名","评分","评价数","概况","相关信息")
    for i in range(0,8):
        sheet.write(0,i,col[i])

    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)

## 保存数据到数据库
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, instruoduction, info)
            values(%s)'''%",".join(data)
        #print(sql)
        cur.execute(sql)
        conn.commit()
    cur.close()
    conn.close()

    print("保存至数据库完毕")

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 ,
        instruoduction text,
        info text
        )
    '''
    conn = sqlite3.connect(dbpath)
    cursor = conn.cursor()
    cursor.execute(sql)
    conn.commit()
    conn.close()






if __name__ == "__main__":
    ## 当程序执行时
    main()
    ## 1、爬取网页
    ## 2、解析数据
    ## 3、保存数据
    print("爬取完毕")