标签：评价 info work 目录 sql 百度 一个 sqlite3 lis
#-*- codeing = utf-8 -*-
#@Time : 2020/6/8 7:33
#@Author : zhangfudong
#@FILE ：douban.py
#@Software : PyCharm
# 豆瓣
# https://movie.douban.com/top250
# 电影天堂
# https://dytt8.net/
# 百度指数
# http://index.baidu.com/
# 天眼查
# https://www.tianyancha.com/
# 爬虫的本质是：模拟浏览器打开网页，获取网页中我们想要的那部分数据信息
# 基本流程：
# 准备工作
# 获取数据：http库。header。Response。
# 解析内容
# 保存数据
# https://movie.douban.com/top250?start=50
# 页面分析250条电影数据，每页25条，分10页
# 每页的URL不同之处：最后的数值=（页数-1）*25
#
# 请求，headers
# 1、python程序的第一行加入：
-*- codeing = utf-8 -*- 或者 coding = utf-8
# 2、python文件中可以加入main函数用于程序的入口
if __name__== "__main__": ## 当程序执行时
## 调用函数
# 3、引入模块
## module: 使用import引入
## 引入系统模块
import sys
import os
## 引入第三方模块
import re
## 引入自定义模块
from dir1 import test1 ##dir1目录下有test.py文件
print(test1.add(11,33))
import sys
## bs4默认没有安装：
## 方法一：命令行Terminal>>> pip bs4
## 方法二(建议)：file -- settinig -- project:douban --
## -- project interpreter -- + -- 搜索bs4 -- install package -- X(可以关闭) -- OK
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
import xlwt ## 进行excel操作
import sqlite3 ## 进行SQLITE数据库操作
#-*- codeing = utf-8 -*-
#@Time : 2020/6/8 22:05
#@Author : zhangfudong
#@FILE ：spider.py
#@Software : PyCharm
import urllib
import re
def main():
baseurl="https://movie.douban.com/top250?start="
datalist = getData(baseurl)
## savepath="豆瓣电影Top250.xls"
## savaData(datalist,savepath)
dbpath="movie.db"
saveData2DB(datalist,dbpath)
## 获取影片详情链接的规则，全局变量
# findLink = re.compile(r‘<a href="https://movie.douban.com/subject/1292052/">‘)
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
## 获取影片图片链接
findImg = re.compile(r‘<img.*src="(.*?)".*/>‘,re.S) ## re.S表示包含换行符
## 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>‘)
## 评价人数
findJudge = re.compile(r‘<span>(\d*)人评价</span>‘)
## 影片概况
findInq = re.compile(r‘<span class="inq">(.*)</span>‘)
## 影片相关内容
findBd = re.compile(r‘<p class="">(.*?)</p>‘,re.S) ## 忽视换行符，即包含换行符
## 1、爬取网页
def getData(baseurl):
datalist=[] ## 定义存放多部电影信息的列表
for i in range(0,10): ## 测试时可只访问一页range(0,1),总共10页
url = baseurl + str(i*25)
html = askURL(url) ## 保存获取到的一页源码
## 2、逐一解析数据
from bs4 import BeautifulSoup
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，既满足条件为div，也满足条件为class="item"的类属性的所有内容
# print(item) ## 测试：查看item的全部信息
# break
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] ## 用re库来通过正则表达式查找指定规则,[0]表示第一个下标的内容
# print(link) ## 若获取时不加下标，link则表示列表，可用print(link[0])获取内容
data.append(link) ## 添加片名链接
imgSrc = re.findall(findImg,item)[0]
data.append(imgSrc)
titles = re.findall(findTitle,item) ## 添加片名
if(len(titles)==2):
ctitle = titles[0] ## 添加中文名
data.append(ctitle)
otitle = titles[1].replace("/"," ") ## 添加外文名,去掉无关的符号
data.append(otitle)
else:
data.append(titles[0])
data.append("")
rating = re.findall(findRating,item)[0]
data.append(rating) ## 添加评分
judgeNum = re.findall(findJudge,item)[0]
data.append(judgeNum) ## 添加评论人数
inq = re.findall(findInq,item) ## 可能存在没有概述的情况
if len(inq) != 0:
inq=inq[0].replace("。"," ") ## 去掉句号
data.append(inq) ## 添加概述
else:
data.append(" ")
bd = re.findall(findBd,item)[0]
bd = re.sub(‘<br(\s+)?/>(\s+)?‘," ",bd) ## 去掉</br>
bd = re.sub(‘/‘," ",bd) ## 去掉/
data.append(bd.strip()) ## 去掉空格，添加影片相关内容
datalist.append(data) ## 把处理好的一部电影信息放入datalist
## 返回所有电影信息
# print(datalist)
return datalist
### 得到指定一个url的网页内容
## 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内容
import urllib.request
import urllib.error
def askURL(url):
head={ ## 模拟浏览器头部信息，向豆瓣服务器发送请求
"User-Agent": "Mozilla / 5.0 (Windows NT 6.1; Win64; x64) AppleWebKit / 537.36 (KHTML, like Gecko) Chrome / 83.0.4103.97 Safari / 537.36"
}
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
# import os
# os.remove("aaa.xls")
import xlwt
import sqlite3
## 3、保存数据
def savaData(datalist,savepath):
print("save...")
book = xlwt.Workbook(encoding="utf-8",style_compression=0)
sheet = book.add_sheet("豆瓣电影top250",cell_overwrite_ok=True)
col = ("电影详情链接","图片链接","电影中文名","电影外国名","评分","评价数","概况","相关信息")
for i in range(0,8):
sheet.write(0,i,col[i])
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])
book.save(savepath)
## 保存数据到数据库
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, instruoduction, info)
values(%s)‘‘‘%",".join(data)
#print(sql)
cur.execute(sql)
conn.commit()
cur.close()
conn.close()
print("保存至数据库完毕")
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 ,
instruoduction text,
info text
)
‘‘‘
conn = sqlite3.connect(dbpath)
cursor = conn.cursor()
cursor.execute(sql)
conn.commit()
conn.close()
if __name__ == "__main__":
## 当程序执行时
main()
## 1、爬取网页
## 2、解析数据
## 3、保存数据
print("爬取完毕")
标签：评价 info work 目录 sql 百度 一个 sqlite3 lis
原文地址：https://www.cnblogs.com/moox/p/13199503.html
