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htmlresponse = urllib.request.urlopen(request)html = response.read().decode("utf-8") #将网页源码解码为utf-8except 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:continuedata[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 = 1for row in cursor:for i in range(0,5):sheet.write(x,i,row[i])x += 1conn.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))
电影top250爬虫相关推荐
- 豆瓣电影TOP250爬虫及可视化分析笔记
人类社会已经进入大数据时代,大数据深刻改变着我们的工作和生活.随着互联网.移动互联网.社交网络等的迅猛发展,各种数量庞大.种类繁多.随时随地产生和更新的大数据,蕴含着前所未有的社会价值和商业价值! ...
- 八爪鱼采集器之豆瓣电影Top250爬虫
一.在使用操作之前先一起了解一下八爪鱼这个采集数据工具. 相比于python爬虫,八爪鱼使用更加简便,因为它是所见即得的方式,所以不需要编写代码(除了正则表达式,以及xpath,因为如果有布局不一致的 ...
- python豆瓣电影top250爬虫课程设计_[教程]图文:爬虫爬取豆瓣电影top250
window环境下 使用python脚本爬取豆瓣 环境安装 python python开发环境 jupyter python web IDE requests python requests模块用于向 ...
- 豆瓣电影Top250爬虫
# -*- codeing = utf-8 -*- # @Time : 2022/3/17 14:17 # @Author : 孙健 # @File : spider.py # @Software : ...
- python 豆瓣电影top250_豆瓣电影top250爬虫系列(三)--- python+Echarts数据可视化
前两篇我们分别爬取了电影数据,也将爬取到的数据存到了数据库: 接下来我们要对现有的数据进行分析,已获得一些有效信息: 我这里只是进行了简单的可视化分析,运用Echarts插件生成各种图标: pytho ...
- Java豆瓣电影TOP250爬虫
一:使用的技术或原理 java爬虫实验我借助了jsoup类库,利用jsoup爬取指定URL的html页面,再对HTML进行进一步的解析.( java网络爬虫是从待抓取URL队列中取出待抓取在URL,解 ...
- append从一个添加到另一_真特么激动第一个爬虫----爬取豆瓣电影top250
养成习惯,先赞后看!!! 前言 之前一直对爬虫有兴趣,但是一直没有真正静下心来去好好学习过,这一段时间跟着b站上的一个教程做了自己人生中第一个爬虫程序,还是很有成就感的. 准备工作 1. 我们爬取一个 ...
- python爬取豆瓣电影top250_Python爬虫 - scrapy - 爬取豆瓣电影TOP250
0.前言 新接触爬虫,经过一段时间的实践,写了几个简单爬虫,爬取豆瓣电影的爬虫例子网上有很多,但都很简单,大部分只介绍了请求页面和解析部分,对于新手而言,我希望能够有一个比较全面的实例.所以找了很多实 ...
- python爬取豆瓣电影top250_用Python爬虫实现爬取豆瓣电影Top250
用Python爬虫实现爬取豆瓣电影Top250 #爬取 豆瓣电影Top250 #250个电影 ,分为10个页显示,1页有25个电影 import urllib.request from bs4 imp ...
最新文章
- 交情来自一系列的交易
- 如何在一个表达式中合并两个字典?
- android 按下home键执行什么,Android下得到Home键按下的消息
- Chapter 5 Blood Type——11
- SESSION存储于redis(CI3)
- 阿里云总裁胡晓明:保护客户数据隐私是阿里云第一原则
- 支付宝小程序-点击退出小程序
- java学习(44):引用参数传递
- 1360E. Polygon
- WebRTC 学习之 WebRTC 简介
- springmvc中实现quartz定时任务
- TMS320C55x汇编语言编程
- 什么时候用到id和class?
- linux是否32位系统文件夹,技术|如何判断Unix系统的一个库文件是32位还是64位的...
- 「Linux」- 安装网易云音乐(Neteast Cloud Music) @20210330
- 读“DataBase Sharding at Netlog”,看DataBase Scale Out
- VB.net小技巧——VB.net中的结构体和共用体
- 弘玑Cyclone发布全线产品 | 多个产品与功能系行业首创
- 移动硬盘变为raw格式时,如何进行数据恢复
- 好莱坞十大经典动作片