爬虫-xml存取、数据库存取

 xml存取：

from bs4 import BeautifulSoup#网页解折: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exceL操作
import sqlite3 #进SQLite数据库操作

def main():
    baseUrl="https://movie.douban.com/top250?start="
    # 1、爬取网页
    datalist=getData(baseUrl)
    savepath="豆瓣电影Top250.xls"
    #3、保存数据
    saveData(datalist,savepath)

#影片详情的规则
findLink = re.compile(r'<a href="(.*?)">',re.S)
#影片的图片
findImgSrc = re.compile(r'<img.*src="(.*?)" width="100"/>',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')
#找到评价的人数
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(0,1):   #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)
            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]
                data.append(ctitle)  #添加中文名
                otitle = titles[1].replace("/","")
                data.append(otitle)  # 添加中文名
            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)    # 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(" ")    #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())  # 去掉前后空格

            datalist.append(data)    #把处理好的一部定影信息放入datalist

    return datalist

#得到指定url的网页内容
def askURL(url):
    #模拟浏览器头部信息.向豆瓣服务器发送消息
    head={"User-Agent": "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.81 Safari/537.36 SE 2.X MetaSr 1.0"}
    # 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:我们以接收什么水平的
    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])#列名
    for i in range(0,25):
        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('student.xls')   #保存


if __name__ == '__main__':
#调用函数
    main()
    print("爬取完毕")

from bs4 import BeautifulSoup  # 网页解折: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exceL操作
import sqlite3  # 进SQLite数据库操作


def main():
    baseUrl = "https://movie.douban.com/top250?start="
    # 1、爬取网页
    datalist = getData(baseUrl)
    # savepath="豆瓣电影Top250.xls"
    dbpath = "movie.db"
    # 3、保存数据
    # saveData(datalist,savepath)
    saveData2DB(datalist, dbpath)


# 影片详情的规则
findLink = re.compile(r'<a href="(.*?)">', re.S)
# 影片的图片
findImgSrc = re.compile(r'<img.* src="(.*?)" width="100"/>', 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')
# 找到评价的人数
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, 1):  # 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)
            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]
                data.append(ctitle)  # 添加中文名
                otitle = titles[1].replace("/", "")
                data.append(otitle)  # 添加中文名
            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)  # 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(" ")  # 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())  # 去掉前后空格

            datalist.append(data)  # 把处理好的一部定影信息放入datalist

    return datalist


# 得到指定url的网页内容
def askURL(url):
    # 模拟浏览器头部信息.向豆瓣服务器发送消息
    head = {
        "User-Agent": "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.81 Safari/537.36 SE 2.X MetaSr 1.0"}
    # 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:我们以接收什么水平的
    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])  # 列名
    for i in range(0, 25):
        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('student.xls')  # 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)):
            if index == 4 or index == 5:
                continue
            data[index] = '"' + data[index] + '"'
        sql = '''
            insert into movie25(
            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 movie25
        (
        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")