Python爬虫入门（爬取豆瓣电影信息小结）

Python爬虫入门（爬取豆瓣电影信息小结）

1、爬虫概念
网络爬虫，是一种按照一定规则，自动抓取互联网信息的程序或脚本。爬虫的本质是模拟浏览器打开网页，获取网页中我们想要的那部分数据。

2、基本流程（本次主要针对html文件）

具体描述可参考：爬虫基本原理（引用）

3、网页结构了解（重要）
由于爬虫的本质是模拟浏览器打开网页，所以我们需要了解HTTP 的操作过程。
HTTP即超文本传输协议。HTTP协议是用于从网络传输超文本数据到本地浏览器的传送协议，它能保证高效而准确地传送超文本文档。HTTPS是以安全为目标的HTTP通道，简单讲是HTTP的安全版，即HTTP下加入SSL层，简称为HTTPS。

当准备爬取某网页时需通过按f12进入开发者模式，观察网页源代码（Elements中）以及浏览器和服务器端互相通信的信息（Network中）。如以下图片所示：

user-agent反映用户浏览器版本和操作系统，cookie存储用户加密信息，如果想爬取用户登录后的网页信息需要用到cookie。总之，需要注意Response Headers和Request Headers即响应头和请求头内的信息。还需注意请求方法get与post的区别与应用场景。

其中具体信息可参考Http基本原理（引用）

4、具体代码

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

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）
#影片图片的链接的规则
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):
        url=baseurl+str(i*25)   #调用获取页面信息的函数，10次
        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所有信息
            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)
            if (len(titles)==2):
                ctitle=titles[0]
                data.append(ctitle)#添加中文名
                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(' ')#外文名留空

            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())#去掉前后的空格

            datalist.append(data)   #把处理好的一部电影信息放入datalst
   # print(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;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 56.0.2924.90Safari / 537.36 2345Explorer / 9.3.0.17248"
    }#用户代理，表示告诉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")

    except urllib.error.URLError as e:
        if hasattr(e,"code"):#判断e这个对象里面是否包含code这个属性
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)
    return  html




  #3、保存数据
def saveData(datalist,savepath):
    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","影片英文名","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(0,250):
        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)  # 保存数据表

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 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.cursor()


if __name__=="__main__":   #当程序执行时
    main()    #调用函数
    print("爬取完毕")