电影top250爬虫

top250爬虫

利用urllib.request爬取网页信息，然后用BeautifulSoup进行网页解析，再利用re匹配正则表达式，将每部电影的信息（本例爬取电影中文名，电影外文名，电影总评分，电影总评价人数以及电影概况）爬取放入列表list，即data=[“电影中文名”，“电影外文名”，“电影总评分”，“电影总评价人数”,“电影概况”]，然后将data放入dataList中，即dataList=[[data],[data],[data],…]，然后将信息保存在数据库中（本例中使用的是SQLite）,将数据库保存后，再读取数据库里面的信息，保存一份excel文件。

# -*- coding: utf-8 -*-
# user/bin/env python
# @Author:guyu
# @Data:2021/8/27 19:32
# @File : top250.py
import sqlite3                      #用于创建数据库
from bs4 import BeautifulSoup       #网页解析，获取数据
import time                         #计算程序运行时间并输出
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="
    savepath = '.\\top250.xls'
    #抓取网页
    print("正在获取电影信息...")
    dataList = getData(baseurl)
    print("获取电影信息成功。")
    print("正在将信息保存至数据库...")
    #将抓取到的整理并保存
    dbpath = "top250.db"             #第一种存储方式：建数据库，存储
    saveData2DB(dataList, dbpath)
    print("已将信息保存至top250.db。")
    print("正在将文件保存至top250.xls")
    saveData2xls(dbpath,savepath)             #第二种存储方式：保存为xls文档
    print("已将信息保存至top250.xls。")

#findTitle:匹配电影名称
#findRating：匹配电影评分
#findJudgeNum：匹配电影评价人数
#findInq:匹配电影概况
findTitle = re.compile(r'<span class="title">(.*)</span>')
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findJudgeNum = re.compile(r'<span>(.*)人评价</span>')
findInq = re.compile(r'<span class="inq">(.*)</span>')

#将每个电影的信息放在一个列表中
def getData(baseurl):
    dataList = []       #创建一个列表，将每个电影需要内容放到列表中作为一个元素
    for i in range(0,10):
        url = baseurl + str(i*25)       #豆瓣电影Top250共10页，每页有25部电影
        html = getURL(url)              #获取每个网页的源码并保存

        #对收到的每一页html进行解析并保存
        #soup = BeautifulSoup(html, "html.parser")
        soup = BeautifulSoup(html,"html.parser")
        #查看网站源代码可知每部电影的信息都放在<div class="item">中
        for item in soup.find_all("div",class_="item"):
            # data用来存放每部电影的详细信息，然后将这个列表当作元素存放在列表dataList
            #每次循环放入一部电影信息
            #即data=["ctitle“,"otitle","reting","judgeNum","inq"]
            #dataList=[[data],[data],[data],...]
            data = []

            item = str(item)#将item转化为字符串类型

            titles= re.findall(findTitle,item)
            # 影片名可能只有中国名没有外国名
            if len(titles) == 2:
                ctitle = titles[0]
                data.append(ctitle)
                otitle = titles[1].replace("/", "").strip()  #去掉无关符号/
                data.append(otitle)
            #或者只有中文名，那么外国名用空格占位
            else:
                ctitle = titles[0]
                data.append(ctitle)
                otitle = ' '
                data.append(otitle)

            rating = re.findall(findRating,item)[0]
            data.append(rating)

            judgeNum = re.findall(findJudgeNum,item)[0]
            data.append(judgeNum)

            inq = re.findall(findInq,item)
            #电影可能没有一句话评价
            if (len(inq)) != 0:
                inq = inq[0].replace("。", "")  #去掉评价的句号
                data.append(inq)
            else:
                data.append(" ")

            dataList.append(data)  # 把处理好的一部电影信息放入；list
    # print(dataList)
    return dataList

#获取每个网页的源码并保存
def getURL(url):
    # 用户代理表示告诉豆瓣服务器，我们是什么浏览器（本质上是告诉浏览器，我们可以接受什么水平的文件内容
    # 模拟浏览器头部信息，像豆瓣服务器发送消息
    # pro = ["58.220.95.32","60.7.209.129","60.7.97.36","60.5.172.252"]
    head = {
        "User-Agent": "Mozilla/5.0(Windows NT 10.0;WOW64) AppleWebKit/537.36(KHTML, likeGecko) Chrome/86.0.4240.198Safari/537.36"
    }
    request = urllib.request.Request(url = url,headers = head)
    html = ""
    try:
        #接收网页源代码至html
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")  #将网页源码解码为utf-8
    except urllib.error.URLError as e:          #当获取网页失败时，接受错误并打印错误原因
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)

    return html     #将获取到的整页html返回

#从列表中读取电影信息并存放在一个数据库中
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 == 2 or index == 3:
                continue
            data[index] = '"' + data[index] + '"'
        sql = '''
            insert into top250(
            ctitle,otitle,rating,judgeNum,inq)
            values (%s)''' % ",".join(data)
        cur.execute(sql)
        conn.commit()
    cur.close()
    conn.close()

def init_db(dbpath):
    #创建数据表格式
    sql = '''
        create table top250(
        id integer primary key autoincrement,
        ctitle varchar,
        otitle varchar ,
        rating numeric,
        judgeNum numeric,
        inq text
        ) 
    '''
    conn = sqlite3.connect(dbpath)
    cursor = conn.cursor()
    cursor.execute(sql)
    conn.commit()
    conn.close()

def saveData2xls(dbpath,savepath):
    book = xlwt.Workbook(encoding='utf-8', style_compression=0)  # encoding:设置编码，可写中文；style_compression:是否压缩，不常用
    sheet = book.add_sheet('豆瓣电影top250', cell_overwrite_ok=True)  # 创建工作表,可覆盖
    col = ("影片中文名", "影片外国名", "总评分", "总评价人数", "电影概况")
    for i in range(0,5 ):
        sheet.write(0,i,col[i])     #列名
    sql1 = '''
        select ctitle,otitle,rating,JudgeNum,inq from top250
    '''
    conn = sqlite3.connect("top250.db") #打开数据库
    cur = conn.cursor()                 #获取游标
    cursor = cur.execute(sql1)          ##执行sql语句，有返回值
    x = 1
    for row in cursor:
        for i in range(0,5):
            sheet.write(x,i,row[i])
        x += 1
    conn.close()
    book.save(savepath)

if __name__ == '__main__':
    timeStart = time.time()
    main()
    timeFanish = time.time()
    print("电影信息处理完毕。", '用时{:.2f}秒'.format(timeFanish - timeStart))