首页 > 数据库> > python爬取豆瓣top250信息并存入数据库中 | sqlite3

python爬取豆瓣top250信息并存入数据库中 | sqlite3

2022-05-30 13:32:44 作者：互联网

注：本文承接上文：初学python爬虫，爬取“豆瓣电影 Top 250”相关信息，并下载电影封面
效果:

代码：

# -*- coding: utf-8 -*-
# @Time : 2021/9/4 17:32
# @Author : xinyang
# @File : spider.py
# @Software: PyCharm

from bs4 import BeautifulSoup
import re
import urllib
import xlwt  # 与生成Excel表格相关
import sqlite3


def main():
    baseurl = "https://movie.douban.com/top250?start="
    datalist = getData(baseurl)
    # savepath = "豆瓣电影top250.xls"  # 默认与此.py文件在同一个目录下
    dbpath = "movie.db"
    # saveData(datalist, savepath)
    saveData2DB(datalist, dbpath)
    # askURl("https://movie.douban.com/top250?start=")


# 全局变量
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）
#  .* 表示许多的各种的字符，  ? 表示 这样的字符"有"或者“没有”（0次或者1次)
# 例子：<a href="https://movie.douban.com/subject/1291546/">或者<a href="  将没有链接的包含在内（考虑意外情况）
# 影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)  # re.S表示忽略换行符   因为  . 不包含换行符，加上re.S就可以把 .的概念“匹配”到任何字符
# 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>')
# 找到评价人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')  # \d* 表示0到多个数字
# 不能写成(r'<span>1893209人评价</span>')  因为可能因为span标签不止一个而匹配不成功
# 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)  # 忽视（.所不包含的）换行符


# 此处的？不可省略， 因为<\p>可能不止一个
# 注：省略？之后在”肖申克的救赎“电影中输出的结果：'导演: 弗兰克·德拉邦特 Frank Darabont\xa0\xa0\xa0主演: 蒂姆·罗宾斯 Tim Robbins  ... 1994\xa0 \xa0美国\xa0 \xa0犯罪 剧情\n                        < p>\n<div class="star">\n<span class="rating5-t">< span>\n<span class="rating_num" property="v:average">9.7< span>\n<span content="10.0" property="v:best">< span>\n<span>2310473人评价< span>\n< div>\n<p class="quote">\n<span class="inq">希望让人自由。< span>'


# 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).replace(u'\xa0', '') # 保存获取到的网页源码
        # html = html.replace('\xa0', ' ')

        # 2.逐一解析数据
        soup = BeautifulSoup(html,
                             "html.parser")  # 指定Beautiful的解析器为“html.parser”，类似的还有BeautifulSoup(markup,"lxml")BeautifulSoup(markup, "lxml-xml") BeautifulSoup(markup,"xml")等等很多种
        # 注：解析器负责把 HTML 解析成相关的对象，而 BeautifulSoup 负责操作数据（增删改查）。“html.parser” 是 Python 内置的解析器
        for item in soup.find_all('div', class_="item"):  # 查找符合要求的字符串，形成列表(注：class是一个类别/属性，需要加下划线，否则会报错)
            # print(item)#测试查看电影item
            data = []
            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]  # 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]
            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)
    # print(datalist)
    return datalist


def askURl(url):  # 得到指定一个URL的网页内容
    head = {
        "User-Agent": "Mozilla/5.0(Windows NT 10.0;Win64;x64) AppleWebKit/537.36(KHTML, likeGecko) Chrome / 89.0.4389.90Safari / 537.36"
    }
    request = urllib.request.Request(url, headers=head)
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8").replace(' ','')
        # html.decode().replace(' ', '').encode(encoding='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


# 保存数据
def saveData(datalist, savepath):
    print("save....")
    book = xlwt.Workbook(encoding="utf-8", style_compression=0)  # 创建workbook对象   style_compression=0表示样式压缩的效果
    sheet = book.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True)  # 创建工作表  cell_overwrite_ok=True表示覆盖之前的内容
    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 + 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] + '"'
        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()


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  
        )
    '''  # 创建数据表
    # 最后一个不需加逗号
    conn = sqlite3.connect(dbpath)  # 连接数据库(如果数据库不存在会自动创建数据库）
    cursor = conn.cursor()
    cursor.execute(sql)  # 执行sql语句；execute() 将只执行一条单独的 SQL 语句
    conn.commit()  # 这个方法提交当前事务。
    conn.close()  # 关闭数据库连接。


if __name__ == "__main__":
    main()
    # init_db("movietest.db")
    print("爬取完毕！")

遇到的问题：

1.关于数据库表格中出现：NBSP

原本的代码：

html = response.read().decode("utf-8")

修改之后：

html = response.read().decode("utf-8").replace(' ','')

参考：python爬虫爬取内容的时候&nbsp 空格内容变成问号‘？’ - 可乐爆炸的回答 - 知乎 https://www.zhihu.com/question/35945782/answer/382589149

2. 为什么HTML字段中会出现&NBSP？

在html代码中每输入一个转义字符&nbsp就表示一个空格，输入十个&nbsp，页面中就显示10个空格位置。
而在html代码中输入空格，不管输入多少个空格，最终在页面中显示的空格位置只有一个。

举例：hmtl代码中，在两个字之间输入十个空格与输入十个转义字符&nbsp的效果对比。

3.java.io.IOException: 不能删除数据库文件

方法一：首先在右侧的数据库中将其“remove”，然后再在文件目录中将其删除；
方法二：
启动任务管理器，结束pycharm进程下的插件（结束任务）

参考：java.io.IOException: 不能删除数据库文件

4. 关于decode和encode的区别

首先要搞清楚，字符串在Python内部的表示是unicode编码，因此，在做编码转换时，通常需要以unicode作为中间编码；
（即先将其他编码的字符串解码（decode）成unicode，再从unicode编码（encode）成另一种编码。）
decode的作用：将其他编码的字符串转换成unicode编码；
- 如str1.decode('gb2312')，表示将gb2312编码的字符串str1转换成unicode编码。
encode的作用：将unicode编码转换成其他编码的字符串；
- 如str2.encode('gb2312')，表示将unicode编码的字符串str2转换成gb2312编码。

总结：想要将其他的编码转换成utf-8必须先将其解码成unicode然后重新编码成utf-8,它是以unicode为转换媒介的

参考：decode和encode的区别

标签：编码,item,python,爬取,re,html,sqlite3,data,append
来源： https://www.cnblogs.com/xinyangblog/p/16326436.html