Python 爬虫 存储SQLite - 豆瓣电影Top250

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      #制定URL，获取网页数据
import sqlite3      #进行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
    saveData2DB(datalist,dbpath)
    # askURL("https://movie.douban.com/top250?start=")

#影片详情链接的规则
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）
#影片图片链接的规则
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)  #re.S 让换行符包含在字符中
#影片的片名
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
        url = baseurl + str(i*25)
        html = askURL(url)  #保存获取到的网页源码 返回值的保存

        # 2.逐一解析数据
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all('div',class_="item"):
            # 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
            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]
                data.append(ctitle)                 #添加中文名
                otitle = titles[1].replace("/","")  #去掉无关的符号，替换为空
                data.append(otitle)                 #添加外文名
            else:
                data.append(titles[0])
                data.append(' ')                    #外文名没有则留空，防止被下一列内容占掉
            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("。","")        #去掉中文句号
                data.append(inq)                        #添加概述
            else:
                data.append(" ")                    #如果没有概述，则留空占位
            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)                   #把处理好的一部电影信息放入datalist
    # print(datalist)
    return datalist

#得到指定一个URL的网页内容
def askURL(url):
    head = {    #模拟浏览器头部信息
        "User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWe"
                        "bKit / 537.36(KHTML, likeGecko) Chrome / 78."
                        "0.3904.108Safari / 537.36"
    }#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）
    request = urllib.request.Request(url,headers=head)
    html = ""
    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

#3.保存数据
def savaData(datalist,savepath):
    print("saving...")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)  # 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","影片外文名","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] + '"'   #给原值前后各加一个双引号
        sql = '''
            insert into movie250 (
            info_link,pic_link,cname,ename,score,rated,instroduction,info)
            values(%s)'''%",".join(data)    #每个之间放一个","
        # print(sql)
        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,
        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__":
    main()
    # init_db("movietest.db")
    print("爬取完毕")