豆瓣top250影视剧爬虫（含完整代码）

目录

• 流程
• 模拟发送请求
• 获取并解析数据
• 创建数据库
• 保存数据
• 完整代码
• 效果展示
• 参考

流程

graph LR A(模拟发送请求) --> B(获取并解析数据) B --> C(创建数据库) C-->d(存储数据)

目标网站 https://movie.douban.com/top250?start=

模拟发送请求

• 调用urllib库

• URL(Uniform Resource Locator )：统一资源定位符，是网页存放文件的地址

• head:请求头，告诉你要访问的网站请求是谁发出的，也就是我们的设备信息

  Google浏览器->快捷键F12（开发者模式）

  请求头内容在下图蓝色方框所示位置

import urllib.request, urllib.error  # 指定URL，获取网页数据

def askURL(url):
 head = {" "}   #请填入上图中蓝框内代码（user agent信息）

 request = urllib.request.Request(url, headers=head)
 html = ""
 # 异常处理
 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

获取并解析数据

• 调用BeautifulSoup库和re库
• BeautifulSoup：“靓汤”，把我们爬取的信息资源熬成靓汤
• re（regular expression)：正则表达式，能够根据关键词或句式，对文本信息进行搜索匹配

from bs4 import BeautifulSoup    # 网页解析， 获取数据（拆分）
import re   # 正则表达式，进行文字匹配（提炼）

#获取数据
def getData(baseurl):
   datalist = []


   for i in range(0,10):
       url = baseurl + str(i*25)
       html = askURL(url)      #保存网页源码


   # 逐一解析数据
       soup = BeautifulSoup(html,"html.parser")
       for item in soup.find_all('div',class_="item"): # 查找符合要求字符串，形成列表
           data = []
           item = str(item)

           link = re.findall(findLink,item)[0]     # re库通过正则表达式查找指定字符串
           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)    # 添加片名
           if(len(titles)==2):
               ctitle = titles[0]
               otitle = titles[1].replace("/","")
               otitle = re.sub(r'\xa0',"",otitle)  # re.sub替换指定字符
               data.append(ctitle)
               data.append(otitle)
           else:
               ctitle = titles[0]
               data.append(ctitle)
               data.append(' ')
           rating = re.findall(findRating,item)[0] # 添加评分
           data.append(rating)

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

           inq = re.findall(findInq,item)             # 添加简介
           if len(inq) != 0:
               inq = inq[0].replace("。","")
               data.append(inq)
           else:
               data.append(" ")

           bd = re.findall(findBd,item)[0]
           bd = re.sub('<br(\s+)?/>(\s+)?'," ",bd)
           bd = re.sub('/'," ",bd)
           bd = re.sub(r'\xa0', "", bd)
           data.append(bd.strip()) # strip()去头尾

           datalist.append(data)


   # print(datalist)
   return datalist

• 调出获取到的html文件，根据文本特点，设计正则表达式

# html文件

<div class="item">
<div class="pic">
<em class="">1</em>
<a href="https://movie.douban.com/subject/1292052/">
<img alt="肖申克的救赎" class="" src="https://img2.doubanio.com/view/photo/s_ratio_poster/public/p480747492.jpg" width="100"/>
</a>
</div>
<div class="info">
<div class="hd">
<a class="" href="https://movie.douban.com/subject/1292052/">
<span class="title">肖申克的救赎</span>
<span class="title"> / The Shawshank Redemption</span>
<span class="other"> / 月黑高飞(港)  /  刺激1995(台)</span>
</a>
<span class="playable">[可播放]</span>
</div>
<div class="bd">
<p class="">
                            导演: 弗兰克·德拉邦特 Frank Darabont   主演: 蒂姆·罗宾斯 Tim Robbins /...<br/>
                            1994 / 美国 / 犯罪 剧情
                        </p>
<div class="star">
<span class="rating5-t"></span>
<span class="rating_num" property="v:average">9.7</span>
<span content="10.0" property="v:best"></span>
<span>2591411人评价</span>
</div>
<p class="quote">
<span class="inq">希望让人自由。</span>
</p>
</div>
</div>
</div>

# 正则表达式

findLink = re.compile(r'<a href="(.*?)">')      #创建正则表达式对象，表示规则
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S) # .一个 *多个 ？贪婪（搜索到第一个就停止）
findTitle = re.compile(r'<span class="title">(.*)</span>')
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findJudge = re.compile(r'<span>(\d*)人评价</span>')
findInq = re.compile(r'<span class="inq">(.*)</span>')
findBd = re.compile(r'<p class="">(.*?)</p>', re.S) # re.S 换行不重新匹配 字符串整体进行匹配

创建数据库

• 调用sqlite3数据库

  import sqlite3  # SQLite数据库操作
  
  # 创建数据库
  def init_db(dbpath):
      sql = ''' # 创建数据表
      create table if not exists movie250
      (
      id integer primary key autoincrement,
      info_link text,
      pic_link text,
      cname varchar,
      ename varchar,
      score numeric,
      rated numeric,
      instroduction text,
      info text
      )
      
      '''
      conn = sqlite3.connect(dbpath)	# 打开或创建数据库文件
      cursor = conn.cursor()	# 获取游标
      cursor.execute(sql)		# 执行sql语句
      conn.commit()			# 提交数据库操作
      conn.close()			 # 关闭数据库连接
  

保存数据

# 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)):
            # data[index] = '"' + str(data[index]) + '"'
            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)    # 逗号连接
        print(sql)
        cur.execute(sql)    
        conn.commit()       
    cur.close()
    conn.close()  

完整代码

# -*- coding = utf-8 -*-
# @Time : 2022-04-06 上午 12:15
# @Author : SYSUer
# @File : crawler.py
# @Software : PyCharm

# 学习参考 https://www.bilibili.com/video/BV12E411A7ZQ?p=15

from bs4 import BeautifulSoup    # 网页解析， 获取数据（拆分）
import re   # 正则表达式，进行文字匹配（提炼）
import urllib.request, urllib.error  # 指定URL，获取网页数据
import sqlite3  # SQLite数据库操作


def main():
    baseurl = "https://movie.douban.com/top250?start="
    # 1.爬取网页
    datalist = getData(baseurl)
    # savepath = ".\\豆瓣电影Top250.xls"
    dbpath = "movie.db"
    # 3.保存数据
    # saveData(savepath)
    saveData2DB(datalist,dbpath)


findLink = re.compile(r'<a href="(.*?)">')      #创建正则表达式对象，表示规则
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S) # .一个 *多个 ？贪婪（搜索到第一个就停止）
findTitle = re.compile(r'<span class="title">(.*)</span>')
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findJudge = re.compile(r'<span>(\d*)人评价</span>')
findInq = re.compile(r'<span class="inq">(.*)</span>')
findBd = re.compile(r'<p class="">(.*?)</p>', re.S) # re.S 换行不重新匹配 字符串整体进行匹配

# 爬取网页
def getData(baseurl):
    datalist = []


    for i in range(0,10):
        url = baseurl + str(i*25)
        html = askURL(url)      #保存网页源码


    # 逐一解析数据
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all('div',class_="item"): # 查找符合要求字符串，形成列表
            data = []
            item = str(item)

            link = re.findall(findLink,item)[0]     # re库通过正则表达式查找指定字符串
            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)    # 添加片名
            if(len(titles)==2):
                ctitle = titles[0]
                otitle = titles[1].replace("/","")
                otitle = re.sub(r'\xa0',"",otitle)  # re.sub替换指定字符
                data.append(ctitle)
                data.append(otitle)
            else:
                ctitle = titles[0]
                data.append(ctitle)
                data.append(' ')
            rating = re.findall(findRating,item)[0] # 添加评分
            data.append(rating)

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

            inq = re.findall(findInq,item)             # 添加简介
            if len(inq) != 0:
                inq = inq[0].replace("。","")
                data.append(inq)
            else:
                data.append(" ")

            bd = re.findall(findBd,item)[0]
            bd = re.sub('<br(\s+)?/>(\s+)?'," ",bd)
            bd = re.sub('/'," ",bd)
            bd = re.sub(r'\xa0', "", bd)
            data.append(bd.strip()) # strip()去头尾

            datalist.append(data)


    # print(datalist)
    return datalist


def askURL(url):
    head = {" "}  #请填入user agent信息

    request = urllib.request.Request(url, headers=head)
    html = ""
    # 异常处理
    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

# 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)):
            # data[index] = '"' + str(data[index]) + '"'
            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)    # 逗号连接
        print(sql)
        cur.execute(sql)    
        conn.commit()       
    cur.close()
    conn.close()           

# 创建数据表
def init_db(dbpath):
    sql = ''' 
    create table if not exists movie250
    (
    id integer primary key autoincrement,
    info_link text,
    pic_link text,
    cname varchar,
    ename varchar,
    score numeric,
    rated numeric,
    instroduction text,
    info text
    )
    
    '''
    conn = sqlite3.connect(dbpath)	# 打开或创建数据库文件
    cursor = conn.cursor()	# 获取游标
    cursor.execute(sql)		# 执行sql语句
    conn.commit()			# 提交数据库操作
    conn.close()			 # 关闭数据库连接

if __name__ == '__main__':     # 当程序执行时
    # 调用函数
    init_db("movietest.db")
    main()

效果展示

参考

Python爬虫编程基础5天速成（2021全新合集）Python入门+数据分析_哔哩哔哩_bilibili

标签：bd,item,data,爬虫,re,豆瓣,top250,html,append
来源： https://www.cnblogs.com/Code--geass/p/16128131.html