15.豆瓣网内容爬取案例

#案例练习
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.保存数据到xls
    saveData(datalist,savepath)
    #3.1保存数据到db
    saveData2DB(datalist,dbpath)

#创建正则表达式对象，表示规则(字符串的模式)
findLink=re.compile(r'<a href="(.*?)">')#影片详情链接的规则
#影片图片的链接表达式
findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S)  #re.S 让换行符包含在字符串中
#影片片名
findTitle=re.compile(r'<span class="title">(.*)</span>')
#影片评分
findRating=re.compile(r'')
#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)

#爬取数据
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
        #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)
            #获取影片详情链接
            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]
            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("/","")#去掉无关符合
                data.append(otitle)#添加外国名
            else:
                data.append(titles[0])
                data.append(" ")#外国名字留空,保证数据不乱
            rating=re.findall(findRating,item)[0]
            data.append(rating)#添加评分
            judgeNum=re.findall(finJudge,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)#替换掉/
            data.append(bd.strip())#去掉前后空格
            datalist.append(data)#将处理好的一部电影信息放入datalist中
    print(datalist)            
    return datalist

#得到指定一个URL的网页内容
def askUrl(url):
    headers={"User-Agent":"处理内容可以去真实浏览器中复制"}#有些网站卡的多，可以多写几个头部键值对信息
    request=urllib.request.Request(url,headers=head)
    html=""
    try:
        response=urllib.request.urlopen("http://httpbin.org/get",timeout=0.01)#如果0.01秒内数据没有响应就超时
        print(response.read().decode("utf-8"))
    except utllib.error.URLError as e:
        print("time out")
        if hasattr(e,"code"):
            print(e.code)#状态码是多少
        if hasattr(e,"reason"):
            print(e.reason)#错误的原因是什么
    return html

#保存数据
def saveData(savepath):
    print("save.....")
    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])#写入数据
    book.save(savepath)#保存

#保存数据到DB
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:#数字栏位不加引号
                continue
            data[index]='"'+data[index]+'"'
        sql="""#每次拼接好之后执行
            insert into movie250(
            info_link,pic_link,cname,ename,score,rated,instroduction,info)
            values(%s)"""%",".join(data)#列表用逗号拼接
        cur.execute(sql)
        conn.commit()
    cur.close()
    conn.close()

#初始化创建数据库
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)#链接数据库，有直接链接，没有就自动创建
    cursor=conn.cursor()#创建游标
    cursor.execute(sql)#执行sql语句
    conn.commit()#提交数据
    conn.close()#关闭数据库

if __name__=="__main__":
    main()
    print("爬取完毕")