书接上文，前文最后提到将爬取的电影信息写入数据库，以方便查看，今天就具体实现。
首先还是上代码：
# -*- coding:utf-8 -*- import requests import re import mysql.connector #changepage用来产生不同页数的链接 def changepage(url,total_page): page_group = ['https://www.dygod.net/html/gndy/jddy/index.html'] for i in range(2,total_page+1): link = re.sub('jddy/index','jddy/index_'+str(i),url,re.S) page_group.append(link) return page_group #pagelink用来产生页面内的视频链接页面 def pagelink(url): base_url = 'https://www.dygod.net/html/gndy/jddy/' headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36'} req = requests.get(url , headers = headers) req.encoding = 'gbk'#指定编码，否则会乱码 pat = re.compile('<a href="/html/gndy/jddy/(.*?)" class="ulink" title=(.*?)/a>',re.S)#获取电影列表网址 reslist = re.findall(pat, req.text) finalurl = [] for i in range(1,25): xurl = reslist[i][0] finalurl.append(base_url + xurl) return finalurl #返回该页面内所有的视频网页地址 #getdownurl获取页面的视频地址和信息 def getdownurl(url): headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36'} req = requests.get(url , headers = headers) req.encoding = 'gbk'#指定编码，否则会乱码 pat = re.compile('<a href="ftp(.*?)">ftp',re.S)#获取下载地址 reslist = re.findall(pat, req.text) furl = 'ftp'+reslist[0] pat2 = re.compile('<!--Content Start-->(.*?)<!--duguPlayList Start-->',re.S)#获取影片信息 reslist2 = re.findall(pat2, req.text) reslist3 = re.sub('[<p></p>]','',reslist2[0]) fdetail = reslist3.split('◎') return (furl,fdetail) #创建表movies def createtable(con,cs): #创建movies表，确定其表结构: cs.execute('create table if not exists movies (film_addr varchar(1000), cover_pic varchar(1000), name varchar(100) primary key, ori_name varchar(100),prod_year varchar(100), prod_country varchar(100), category varchar(100), language varchar(100), subtitle varchar(100), release_date varchar(100), score varchar(100), file_format varchar(100), video_size varchar(100), file_size varchar(100), film_length varchar(100), director varchar(100), actors varchar(500), profile varchar(2000),capt_pic varchar(1000))') # 提交事务: con.commit() #将电影地址和简介插入表中 def inserttable(con,cs,x,y): try: cs.execute('insert into movies values (%s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s)', (x,y[0],y[1],y[2],y[3],y[4],y[5],y[6],y[7],y[8],y[9],y[10],y[11],y[12],y[13],y[14],y[15],y[16],y[17])) except: pass finally: con.commit() if __name__ == "__main__" : html = "https://www.dygod.net/html/gndy/jddy/index.html" print('你即将爬取的网站是：https://www.dygod.net/html/gndy/jddy/index.html') pages = input('请输入需要爬取的页数：') createtable p1 = changepage(html,int(pages)) #打开数据库 conn = mysql.connector.connect(user='py', password='Unix_1234', database='py_test') cursor = conn.cursor() createtable(conn,cursor) #插入数据 j = 0 for p1i in p1 : j = j + 1 print('正在爬取第%d页,网址是 %s ...'%(j,p1i)) p2 = pagelink(p1i) for p2i in p2 : p3,p4 = getdownurl(p2i) if len(p3) == 0 : pass else : inserttable(conn,cursor,p3,p4) #关闭数据库 cursor.close() conn.close() print('所有页面地址爬取完毕!')
用到的知识点和前面比，最重要是多了数据库的操作，下面简要介绍下python如何连接数据库。
一、python中使用mysql需要驱动，常用的有官方的mysql-connect-python，还有mysqldb(Python 2.x)和pymysql(Python 3.x)，这几个模块既是驱动，又是工具，可以用来直接操作mysql数据库，也就是说它们是通过在Python中写sql语句来操作的，例如创建user表：
cursor.execute('create table user (id int, name varchar(20))')
#这里的create table语句就是典型的sql语句。
二、还有很多情况下我们用ORM(object relational mapping)即对象映射关系框架，将编程语言的对象模型和数据库的关系模型（RDBMS关系型数据库）进行映射，这样可以直接使用编程语言的对象模型操作数据库，而不是使用sql语言。同样创建user表：
user=Table('user',metadata,
Column('id',Integer),
Column('name', String(20))
)
metadata.create_all()
#这里可以看到根本没有sql语句的影子，这样我们可以专注在Python代码而不是sql代码上了。（注意ORM并不包含驱动，如要使用同样要安装前面提到的驱动）
如有兴趣可以自行学习，这不是本文的重点。为简单起见，文中用的是mysql-connect-python。
正则匹配部分也很简单，因为源网页比较规则，如下网页图和对应的源代码：
直接用◎匹配即可。
程序运行完后，数据都写入movies表中。
比如我想筛选豆瓣评分>7的，
是不是很简单，你GET到了吗？