豆瓣电影Top250爬虫
# -*- codeing = utf-8 -*- # @Time : 2022/3/17 14:17 # @Author : 孙健 # @File : spider.py # @Software : PyCharmfrom bs4 import BeautifulSoup #网页解析,获取数据 import sqlite3 #进行SQLite数据库操作 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 xlwt #进行excel操作def main():baseurl = "https://movie.douban.com/top250?start="#1.爬取数据datalist=getData(baseurl)savepath=".\\豆瓣电影Top.xls"dbpath="movie.db"#3.保存数据#saveData(datalist,savepath)saveData2DB(datalist,dbpath)#askURL("https://movie.douban.com/top250?start=")#影片详情的链接的规则 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)?一次或多次 #影片图片 findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S) #re.S忽略换行符,让换行符包括在字符里 #影片篇名 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>') #找到概况 findInq=re.compile(r'<span class="inq">(.*)</span>') #找到影片相关内容 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) #保存获取的页面源码# 2.逐一解析数据soup=BeautifulSoup(html,"html.parser")for item in soup.find_all('div',class_="item"): #查找复符合要求的字符串,形成列表#print(item)#测试:查看电影item全部信息data=[]item=str(item)#print(item)#break#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,没有外文名if(len(titles)==2):ctitle=titles[0]data.append(ctitle)otitle=titles[1].replace("/","") #去掉无关符号data.append(otitle.strip())else:data.append(titles[0])data.append(' ') #外国名留空rating=re.findall(findRating,item)[0]data.append(rating) #添加评分judageNum=re.findall(findJudge,item)[0]data.append(judageNum) #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(" ")bd=re.findall(findBd,item)[0]bd=re.sub('<br(\s+)?/>(\s+)?',"",bd) #去掉<br/>bd=re.sub('/',' ',bd) #替换/bd=re.sub('\s+','',bd)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datalistreturn datalist#得到指定一个URL网页的内容 def askURL(url):#用户代理,表示告诉豆瓣处理器,我们是什么类型的机器,浏览器(实质上是告诉浏览器,我们可以接收什么样的水平的文件内容)head={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.212 Safari/537.36 Edg/90.0.818.66"}#模拟浏览器头部信息,伪装浏览器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#保存数据 def saveData(datalist,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","影片外文名","评分","评价人数","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)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)):data[index]='"'+data[index]+'"'sql='''insert into movie250(info_link,pic_link,cname,ename,score,rated,introduction,info) values (%s)'''%",".join(data)print(sql)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")
豆瓣电影Top250爬虫相关推荐
- 豆瓣电影TOP250爬虫及可视化分析笔记
人类社会已经进入大数据时代,大数据深刻改变着我们的工作和生活.随着互联网.移动互联网.社交网络等的迅猛发展,各种数量庞大.种类繁多.随时随地产生和更新的大数据,蕴含着前所未有的社会价值和商业价值! ...
- 八爪鱼采集器之豆瓣电影Top250爬虫
一.在使用操作之前先一起了解一下八爪鱼这个采集数据工具. 相比于python爬虫,八爪鱼使用更加简便,因为它是所见即得的方式,所以不需要编写代码(除了正则表达式,以及xpath,因为如果有布局不一致的 ...
- python豆瓣电影top250爬虫课程设计_[教程]图文:爬虫爬取豆瓣电影top250
window环境下 使用python脚本爬取豆瓣 环境安装 python python开发环境 jupyter python web IDE requests python requests模块用于向 ...
- python 豆瓣电影top250_豆瓣电影top250爬虫系列(三)--- python+Echarts数据可视化
前两篇我们分别爬取了电影数据,也将爬取到的数据存到了数据库: 接下来我们要对现有的数据进行分析,已获得一些有效信息: 我这里只是进行了简单的可视化分析,运用Echarts插件生成各种图标: pytho ...
- Java豆瓣电影TOP250爬虫
一:使用的技术或原理 java爬虫实验我借助了jsoup类库,利用jsoup爬取指定URL的html页面,再对HTML进行进一步的解析.( java网络爬虫是从待抓取URL队列中取出待抓取在URL,解 ...
- append从一个添加到另一_真特么激动第一个爬虫----爬取豆瓣电影top250
养成习惯,先赞后看!!! 前言 之前一直对爬虫有兴趣,但是一直没有真正静下心来去好好学习过,这一段时间跟着b站上的一个教程做了自己人生中第一个爬虫程序,还是很有成就感的. 准备工作 1. 我们爬取一个 ...
- python爬取豆瓣电影top250_Python爬虫 - scrapy - 爬取豆瓣电影TOP250
0.前言 新接触爬虫,经过一段时间的实践,写了几个简单爬虫,爬取豆瓣电影的爬虫例子网上有很多,但都很简单,大部分只介绍了请求页面和解析部分,对于新手而言,我希望能够有一个比较全面的实例.所以找了很多实 ...
- python爬取豆瓣电影top250_用Python爬虫实现爬取豆瓣电影Top250
用Python爬虫实现爬取豆瓣电影Top250 #爬取 豆瓣电影Top250 #250个电影 ,分为10个页显示,1页有25个电影 import urllib.request from bs4 imp ...
- Python爬虫 爬取豆瓣电影TOP250
Python爬虫 爬取豆瓣电影TOP250 最近在b站上学习了一下python的爬虫,实践爬取豆瓣的电影top250,现在对这两天的学习进行一下总结 主要分为三步: 爬取豆瓣top250的网页,并通过 ...
最新文章
- 人工智能专业太卷,发不出好文章?看看顶刊审稿人怎么说...
- Java Lambda表达式初探
- python value函数_python 函数基础
- 使用 ADO.NET 的 NextResult 方法取得多个 Result Set
- hdu - 3415 Max Sum of Max-K-sub-sequence
- python函数分为哪几类_Python 69个内置函数分8类总结
- centos7搭建hadoop
- Java中根据URL下载gif图片文件
- 用后端接口调试工具Insomnia发送请求
- 第一部分 Word练习题
- 小程序生态化,Hybrid App要崛起了?
- java的第一行代码
- 机器学习(3)--LR算法
- 凯恩帝数控系统面板介绍_凯恩帝数控车床操作面板按钮详解!KND1TB数控系统操作...
- python操作cad的模块_利用python控制Autocad:pyautocad方式
- 【面试分享】奇安信渗透测试工程师,通过!
- 上传文件到服务器太大怎么办,超大文件怎么上传到云服务器
- 【渝粤题库】陕西师范大学210033 劳动法与社会保障法作业
- “华为杯”第十七届中国研究生 数学建模竞赛-【华为杯】B题:降低汽油精制过程中的辛烷值损失模型(附优秀论文)
- VS code SSH 反复提示输入密码
热门文章
- Axios-Poly马尔文帕纳科荧光光谱仪电源维修PW4400高压发生器维修
- ubuntu21.04换源
- windows/Linux下安装Sybase ASE 16/15.7
- w ndoWs8pE模式下载,u启动windows8PE系统维护工具箱下载_u启动windows8PE系统维护工具箱官方下载-太平洋下载中心...
- Android Studio中文语言包失效
- 你一定不知道的蜜月海岛-苏梅岛
- 小游戏活动策划(全)
- 通过国内的镜像下载eclipse
- Windows/Windows下堪称神器的软件集合
- python数据预处理 :数据标准化