爬虫分析步骤
准备工作
获取数据
解析内容
保存数据
url分析
页面包括250条电影数据，分10页，每页25条。每页的url的不同之处：最后的数值= （页数-1）*25
# 第一页第一条
https://movie.douban.com/top250?start=0服务器通过headers鉴定客户端信息。
保存到excel表格中，代码如下
注意：如果ip被限制可以带cookie请求，这样服务器会认为是同一个客户端发出的请求。
或者使用代理IP来访问。
代理IP网站
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
from urllib.error import URLError
import xlwt # 进行execl操作
import sqlite3 # 进行sqlite 数据库操作
from fake_useragent import UserAgent # 引入动态随机UserAgent
from urllib.request import build_opener, ProxyHandler # 反反爬，使用代理IP，防止被服务器封掉。
def main():
baseurl = "https://movie.douban.com/top250?start="
# 1.爬取网页
datalist = getData(baseurl)
savepath = ".\\豆瓣电影top250.xls"
# 3.保存数据
saveData(datalist,savepath)
# askURL("https://movie.douban.com/top250?start=0")
# 影片详情的规则
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
def getData(baseurl):
datalist = []
for i in range(0,10): # 调用获取页面信息的函数,10次,正好10页内容250条。
url = baseurl + str(i*25)
askURL(url)
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
# print(link)
data.append(link) # 添加链接
imgSrc= re.findall(findImgSrc,item)[0] #添加图片
data.append(imgSrc)
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] # 添加中文名
data.append(ctitle)
otitle = titles[1].replace("/","") # 去掉无关的符号
data.append(otitle) # 添加外国名
else:
data.append(titles[0])
data.append(' ') # 外国名字留空
rating = re.findall(findRating,item)[0] # 添加评分
data.append(rating)
judgeNim = re.findall(findJudge,item)[0]
data.append(judgeNim) # 添加评价人数
inq = re.findall(findInq,item)
if len(inq) != 0:
inq = inq[0].replace("。","") # 去掉句号
data.append(inq) # 添加概述
else:
data.append(" ") # 留空
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) # 把处理好的一部分电影信息放入datalist
# print(datalist)
return datalist
# 得到一个指定的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": UserAgent().random
}
request = urllib.request.Request(url,headers=head)
handler = ProxyHandler({"http":"58.20.184.187:9091"}) # 使用代理IP请求资源
opener = build_opener(handler)
# 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)
html = ""
try:
resp = opener.open(request)
html = resp.read().decode("utf-8")
# print(html)
except 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') # 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]) # 列名
for i in range(0,250):
print("第%d条" %i)
data = datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j]) # 数据
book.save(savepath) # 保存数据表
if __name__ == "__main__": # 当程序执行时。程序入口，控制函数调用顺序。
# 调用函数
main()
print("爬取完毕！")保存到数据库中，代码如下
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
from urllib.error import URLError
import xlwt # 进行execl操作
import sqlite3 # 进行sqlite 数据库操作
from fake_useragent import UserAgent # 引入动态随机UserAgent
from urllib.request import build_opener, ProxyHandler # 反反爬，使用代理IP，防止被服务器封掉。
def main():
baseurl = "https://movie.douban.com/top250?start="
# 1.爬取网页
datalist = getData(baseurl)
dbpath = "movie.db"
# 3.保存数据
saveData2DB(datalist, dbpath)
# askURL("https://movie.douban.com/top250?start=0")
# 影片详情的规则
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
def getData(baseurl):
datalist = []
for i in range(0,10): # 调用获取页面信息的函数,10次,正好10页内容250条。
url = baseurl + str(i*25)
askURL(url)
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
# print(link)
data.append(link) # 添加链接
imgSrc= re.findall(findImgSrc,item)[0] #添加图片
data.append(imgSrc)
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] # 添加中文名
data.append(ctitle)
otitle = titles[1].replace("/","") # 去掉无关的符号
data.append(otitle) # 添加外国名
else:
data.append(titles[0])
data.append(' ') # 外国名字留空
rating = re.findall(findRating,item)[0] # 添加评分
data.append(rating)
judgeNim = re.findall(findJudge,item)[0]
data.append(judgeNim) # 添加评价人数
inq = re.findall(findInq,item)
if len(inq) != 0:
inq = inq[0].replace("。","") # 去掉句号
data.append(inq) # 添加概述
else:
data.append(" ") # 留空
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) # 把处理好的一部分电影信息放入datalist
# print(datalist)
return datalist
# 得到一个指定的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": UserAgent().random
}
request = urllib.request.Request(url,headers=head)
handler = ProxyHandler({"http":"58.20.184.187:9091"}) # 使用代理IP请求资源
opener = build_opener(handler)
# 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)
html = ""
try:
resp = opener.open(request)
html = resp.read().decode("utf-8")
# print(html)
except 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 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,instroduction,info
)
values(%s)'''%",".join(data)
# print(sql) # 打印插入语句（测试用）
cur.execute(sql)
conn.commit()
cur.close()
conn.close()
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__": # 当程序执行时。程序入口，控制函数调用顺序。
# 调用函数
main()
# init_db("movietest.db") # 测试用，生成测试库。
print("爬取完毕！")
评论区