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 ...

豆瓣电影Top250爬虫

豆瓣电影Top250爬虫相关推荐

最新文章

热门文章