python爬虫：实现豆瓣电影Top250信息的爬取

导语：疫情在家学习python，琢磨着写一个爬虫程序，实现豆瓣网站的信息爬取，并以Excel表格和SQLite数据库的方式保存，运行效果如下：

SQLite

Excel

目录结构

目录结构

Python爬虫 实现豆瓣电影Top250信息的爬取

运行python文件后生成数据库文件和表格文件
经过多次调试，已排除全部Bug，python文件具体代码如下:

1.头文件（自行修改）

1
2
3
4
5
# -*- coding = utf-8 -*-
# @Time: dddd/MM/dd hh:mm
# @Author: your name
# @File: spider.py
# @Software: PyCharm

2.导入相关类库

1
2
3
4
5
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 xlwt     # 进行excel操作
import sqlite3  # 进行SQLite数据库操作

3.制定正则表达式的规则

1
2
3
4
5
6
7
8
9
10
11
12
13
14
# 1.获取影片超链接的规则
findLink = re.compile(r'<a href="(.*?)">')     # 生成正则表达式对象，表示规则（字符串的模式）
# 2.影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)      # S忽略换行
# 3.影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
# 4.影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
# 5.影片评价人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
# 6.影片概况
findInq = re.compile(r'<span class="inq">(.*)</span>')
# 7.影片相关信息
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)

4.主程序功能模块

1
2
3
4
5
6
7
8
9
10
11
12
13
14
# Step0.程序执行时
def main():
    print("开始爬取...")
    baseurl = "https://movie.douban.com/top250?start="

    # Step1.爬取网页；Step2.逐一解析数据
    datalist = getData(baseurl)

    savepath = ".\\豆瓣电影Top250.xls"
    dbpath = "movie.db"

    # Step3.保存数据
    saveData(datalist,savepath)     # 保存数据到Excel
    saveData2DB(datalist,dbpath)    # 保存数据到SQLite

可以实现两种保存方式

5.爬取网页数据，逐一解析

tips：爬取网页时，由于是好几个网页，需要逐页解析，否则只会解析最后一页

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
# Step1.爬取网页
def getData(baseurl):
    print("getData...")
    datalist = []           # 创建电影列表
    for i in range(0,10):   # 调用获取页面信息的函数，10次，25条/页
        url = baseurl + str(i*25)
        askURL(url)
        html = askURL(url)  # 保存获取到的网页源码

        # Step2.逐一解析数据
        soup = BeautifulSoup(html,"html.parser")    # 对象，解析器
        for item in soup.find_all('div',class_="item"):    # 查找符合要求的字符串，形成列表
            data =[]        # 保存一部电影的所有信息
            item = str(item)
            # print(item)     # 测试：查看电影Item全部信息
            # break

            # 1.获取影片超链接
            link = re.findall(findLink,item)[0]     # re库通过正则表达式查找指定的字符串
            data.append(link)
            # 2.影片图片
            imgSrc = re.findall(findImgSrc,item)[0]
            data.append(imgSrc)
            # 3.影片片名
            titles = re.findall(findTitle,item)
            if len(titles) == 2:
                ctitle = titles[0]      # 添加中文名
                data.append(ctitle)
                otitle = titles[1].replace("/","")      # 去掉无关符号
                otitle = re.sub(' ', "", otitle)        # 替换，去除空格
                otitle = re.sub('( )+', "", otitle)  # 替换，去除空格
                data.append(otitle)     # 添加外文名
            else:
                data.append(titles[0])
                data.append(' ')        # 外文名空
            # 4.影片评分
            rating = re.findall(findRating,item)[0]
            data.append(rating)
            # 5.影片评价人数
            judgeNum = re.findall(findJudge,item)[0]
            data.append(judgeNum)
            # 6.影片概况
            inq = re.findall(findInq,item)
            if len(inq)!=0:
                inq = inq[0].replace(".","")
                data.append(inq)
            else:
                data.append(" ")
            # 7.影片相关信息
            bd = re.findall(findBd, item)[0]
            bd = re.sub('<br(\s+)?/>'," ",bd)   # 替换，去除标签
            bd = re.sub('/', " ", bd)           # 替换，去除斜杠
            bd = re.sub(' ', "", bd)            # 替换，去除空格
            bd = re.sub('( )+',"", bd)       # 替换，去除空格
            data.append(bd.strip())         # 去空格

            # 将一部电影信息添加到电影列表
            datalist.append(data)

    # print(datalist)       # 测试：在控制台打印信息
    return datalist

6.获得豆瓣URL内容的方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
# 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，向服务器发送消息
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 85.0.4183.76Safari / 537.36Edg / 85.0.564.40"
    }
    # 用户代理：通过头部伪装，告诉服务器我们的机器类型：是浏览器而不是爬虫（采用字典类型），我们可以接收什么水平的文件内容

    request = urllib.request.Request(url=url,headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode('utf-8')
        # 打印网页
        # print(html)
    except urllib.error.URLError as e:
        if hasattr(e,"code"):   # 标签
            print(e.code)
        if hasattr(e,"reason"):   # 标签
            print(e.reason)
    return html

7.保存数据到Excel

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# Step3.保存数据
def saveData(datalist,savepath):
    print("saveData...")
    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])     # 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

8.保存数据到SQLite

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
def saveData2DB(datalist,dbpath):
    print("saveData...")
    init_db(dbpath)           # 创建数据表
    conn = sqlite3.connect(dbpath)
    cur = conn.cursor()  # 获取游标

    for data in datalist:                       # 遍历数据表datalist中的数据
        for index in range(len(data)):          # 遍历每一条数据data中的元素
            if index == 4 or index == 5:
                continue
            data[index] = '"'+data[index]+'"'   # 逐一添加双引号
        sql = '''
            insert into movie250
            (info_link,pic_link,cname,ename,score,rated,intro,info)
            values(%s);
        '''%",".join(data)
        # 将data列表元素用逗号连接，拼接成sql语句

        # print(sql)      # sql调试

        cur.execute(sql)    # 执行sql语句
        conn.commit()       # 提交数据库操作
    cur.close()         # 关闭游标
    conn.close()        # 关闭数据库连接

# 创建初始化
def init_db(dbpath):
    # 创建数据表
    sql = '''
        create table movie250
            (
            id integer primary key autoincrement,
            info_link text not null,
            pic_link int not null,
            cname varchar ,
            ename varchar ,
            score numeric ,
            rated numeric ,
            intro text,
            info text
            );
    '''
    conn = sqlite3.connect(dbpath)  # 打开或创建数据库文件
    print("数据库连接成功")

    c = conn.cursor()   # 获取游标
    c.execute(sql)      # 执行sql语句
    conn.commit()       # 提交数据库操作
    conn.close()        # 关闭数据库连接
    print("建表成功")
    print("数据库关闭")

9.主程序入口（必须写）

1
2
3
4
5
6
# 程序入口（主方法）
if __name__ == "__main__":
    # 调用函数
    main()
    # init_db("movieTest.db")   # 测试数据库建立
    print("爬取完毕")

以上是python文件的全部代码，如有疑问，欢迎关注讨论
附：源码文件

欢迎访问我的博客