一、基本流程
一、准备工作
通过浏览器查看分析目标网页,学习编程基础规范。
二、获取数据
通过HTTP库向目标站点发起请求,请求可以包含额外的header等信息,如果服务器能正常响应,会得到一个Response ,便是所要获取的页面内容。.
三、解析内容
得到的内容可能是HTML, json等格式,可以用页面解析库、正则表达式等进行解析。
四、保存数据
保存形式多样,可以存为文本,也可以保存到数据库,或者保存特定格式的文件,这里我用Excel和数据库两种展示。
二、代码实现
一、利用Excel保存数据的方式
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
def main():
baseurl = 'https://movie.douban.com/top250?start='
# 爬取网页
datalist = getData(baseurl)
# 以.XLS格式存数据
savepath = 'movie.db.xls'
# 保存数据
saveData(datalist,savepath)
# 影片详情链接
findLink = re.compile(r'<a href="(.*?)">')
# 影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)
# 影片名
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)
# 爬取网页功能
def getData(baseurl):
datalist = []
for i in range(0,10): # 获取10个页信息
url = baseurl + str(i*25)
html = askURL(url) # 保存获取到的网页源码
# 逐步分析数据
soup = BeautifulSoup(html,'html.parser')
# 查找符合要求的字符串,形成列表
for item in soup.find_all('div',class_='item'):
print(item)
# 保存一部电影的所有信息
data = []
item = str(item)
# 详情链接
link = re.findall(findLink,item)[0]
data.append(link)
# 图片
img=re.findall(findImgSrc,item)[0]
data.append(img)
# 标题
title = re.findall(findTitle,item)
if (len(title) == 2):
ctitle = title[0]
# 添加中文名
data.append(ctitle)
# 去掉无关的符号
otitle = title[1].replace('/','')
# 添加外国名
data.append(otitle)
else:
data.append(title[0])
data.append(' ')
# 评分
rating = re.findall(findRating,item)[0]
data.append(rating)
# 评分人数
judgenum = re.findall(findJudge,item)[0]
data.append(judgenum)
# 概述
inq = re.findall(findInq,item)
if len(inq) != 0:
inq = inq[0].replace('.','')
data.append(inq)
else:
data.append(' ')
bd = re.findall(findBd,item)[0]
bd = re.sub('<br(\s+)?/>(\s+)?'," ",bd)
bd = re.sub('/'," ",bd)
data.append(bd.strip())
datalist.append(data)
return datalist
# 获取指定的URL网页内容
def askURL(url):
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36"
}
request = urllib.request.Request(url,headers = headers)
html = ''
try:
response = urllib.request.urlopen(request)
html = response.read().decode('utf-8')
except urllib.error.URLError as e:
if hasattr(e,'code'):
print(e.code)
if hasattr(e,'reason'):
print(e.reason)
return html
# 保存数据功能
def saveData(datalist,savepath):
print('开始保存')
b = xlwt.Workbook(encoding='utf8',style_compression=0)
s = b.add_sheet('movieTop250',cell_overwrite_ok=True)
col = ('电影详情链接','图片链接','中文名','外文名','评分','评分人数','概述','相关内容')
for x in range(0,8):
s.write(0,x,col[x]) # 列表分类名
for y in range(0,250):
print('第%d个' % (y+1))
data = datalist[y]
for z in range(0,8):
s.write(y+1,z,data[z])
b.save(savepath)
if __name__ == '__main__':
main()
print('爬取成功!!!')
二、利用数据库保存数据的方式
rom 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 sqlite3 # 进行SQLite数据库操作
def main():
baseurl = "https://movie.douban.com/top250?start="
# 1.爬取网页
datalist = getData(baseurl)
dbpath = "movie_douban"
# 3.保存数据
saveData(datalist, dbpath)
# 影片详情链接的规则
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)
# 影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S) # re.S 让换行符包含在字符中
# 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>')
# 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)
# 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,没有外国名
if (len(titles) == 2):
ctitle = titles[0] # 添加中文名
data.append(ctitle)
otitle = titles[1].replace("/", "") # 去掉无关的符号
data.append(otitle) # 添加外国名
else:
data.append(titles[0])
data.append(' ') # 外国名字留空
rating = re.findall(findRating, item)[0]
data.append(rating) # 添加评分
judgeNum = re.findall(findJudge, item)[0]
data.append(judgeNum) # 提加评价人数
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/
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datalist
return datalist
# 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,向豆瓣服务器发送消息
"User-Agent": "Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122 Safari / 537.36"
}
# 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文件内容)
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
def saveData(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 movie_info (
info_link,pic_link,cname,ename,score,rated,instroduction,info)
values(%s)''' % ",".join(data)
print(sql)
cur.execute(sql)
conn.commit()
cur.close()
conn.close()
def init_db(dbpath):
sql = '''
create table movie_info
(
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)
cursor = conn.cursor()
cursor.execute(sql)
conn.commit()
conn.close()
if __name__ == "__main__":
# 调用函数
main()
print("爬取完毕!")
更多精彩,下次分享!!!