有点冷丶 发表于 2021-10-6 10:59:02

python爬虫练习

第一次尝试,用的PyCharm不是很熟练,社区版也没搞懂数据库怎么用,就只能用excel保存了



# -*-codeing = utf-8 -*-
# @Time : 2021/10/1 15:57
# @Author : 有点冷丶
# @File : pachong.py
# @Software: PyCharm


#引入模块
from bs4 import BeautifulSoup   #网页解析
import re      #正则表达式,文字匹配
import urllib.request   #制定upl,获取网页数据
import urllib.error
import xlwt    #进行excel操作
import sqlite3    #进行sqlite数据库操作

def main():
    baseurl = "http://movie.douban.com/top250?start="
    #1.爬取网页
    datalist = getData(baseurl)
    #3.保存数据
    savepath = r".\\豆瓣电影top250.xls"
    saveData(datalist,savepath)    #保存到excel表格
    dppath = "movie250.db"
    #savedata2db(datalist,dbpath)   #保存到数据库


#影片详情链接规则
findLink = re.compile(r'<a href="(.*?)">')#创建正则表达式对象,表示规则,字符串模式
#影片图片的链接
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)
#影片的片名
findname = re.compile(r'<span class="title">(.*?)</span>')
#影片的评分
finddafen = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#评价人数
findpeople = re.compile(r'<span>(\d*)人评价</span>')
#找到概况
findInq = re.compile(r'<span class="inq">(.*)</span>')
#相关内容
finddy = re.compile(r'<p class="">(.*?)</p>',re.S)





#爬取网页
def getData(baseurl):
    datalist = []
    for i in range(0,1):   #调用获取页面
      url = baseurl + str(i*25)
      html = askURL(url)    #保存获取到的网页源码
      #print(html)
    # 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)   #测试查看电影全部item信息
            data = []    #保存一个电影的全部信息
            item = str(item)

            #影片详情超链接
            link = re.findall(findLink,item)   #re库
            data.append(link)      #添加链接

            imgSrc = re.findall(findImgSrc,item)
            data.append(imgSrc)      #添加图片

            names = re.findall(findname,item)
            if(len(names) == 2):
                cname = names      #添加中文名
                data.append(cname)
                oname = names.replace("/","")    #去掉无关的符号
                data.append(oname)   #添加外国名
            else:
                data.append(names)
                data.append('')   #外国名留空

            dafen = re.findall(finddafen,item)
            data.append(dafen)   #添加评分

            people = re.findall(findpeople,item)
            data.append(people)   #添加打分人数

            inq = re.findall(findInq,item)   #添加概况
            if len(inq) != 0:
                inq = inq.replace("。","")
                data.append(inq)#添加概述
            else:
                data.append("")#留空

            dy = re.findall(finddy,item)#添加相关内容
            dy = re.sub('<br(\s+)?/>(\s+)?'," ",dy)
            dy = re.sub('/'," ",dy)
            data.append(dy.strip())    #strip去掉前后空格

            datalist.append(data)   #把处理好的信息储存进datalist
    #print(datalist, "\n")
    return datalist




#得到指定一个url的网页的内容
def askURL(url):
    head = {
      "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.61 Safari/537.36 Edg/94.0.992.31"
            }
                #用户代理,伪装
    request = urllib.request.Request(url,headers=head)
    html = ""
    try:
      response = urllib.request.urlopen(request)
      html = response.read().decode("utf-8")
    except urllib.error.URLError as e:
      if hasattr(e,"code"):
            print(e.code)
      if hasattr(e,"reason"):
            print(e.reason)
    return html





#保存数据到excel
def saveData(datalist,savepath):
    print("save...")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)# 创建一个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)#列名
    for i in range(0,250):
      print("第%d条"%(i+1))
      data = datalist
      for j in range(0,8):
            sheet.write(i+1,j,data)

    book.save(savepath)# 保存数据表

#保存到数据库
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 = '"'+data+'"'
      sql = '''
                insert into movie250(
                info_link,pic_link,cname,ename,score,rated,introduction,info)
                values(%s)'''%",".join(data)
      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,
      introduction text,
      info text
      )
      '''
    conn = sqlite3.connect(dbpath)
    cursor = conn.cursor()
    cursor.execute(sql)
    conn.commit()
    conn.close()




if __name__ == "__main__":
    main()
    #init_db("test.db")   #测试数据库
    print("爬取完毕")

fishcllove 发表于 2021-10-6 11:12:09

pycharm社区版本不支持大部分第三方库
页: [1]
查看完整版本: python爬虫练习