Python 爬虫实现：抓取电影网站信息并入库

文章目录

一.环境搭建
- 1.下载安装包
- 2.修改环境变量
- 3.安装依赖模块
二.代码开发
三.运行测试
- 1.新建电影信息表
- 2.代码运行
四.问题排查和修复
- 1.空白字符报错
- 2.请求报错

一.环境搭建

1.下载安装包

访问 Python官网下载地址：https://www.python.org/downloads//

下载适合自己系统的安装包：

我用的是 Windows 环境，所以直接下的 exe 包进行安装。

下载后，双击下载包，进入 Python 安装向导，安装非常简单，你只需要使用默认的设置一直点击"下一步"直到安装完成即可。

2.修改环境变量

右键点击"计算机"，点击"属性"；
然后点击"高级系统设置"-“环境变量”；
选择"系统变量"窗口下面的 “Path” ，添加 python 安装路径；
设置成功以后，在cmd命令行，输入命令"python"，有显示则说明配置成功。

3.安装依赖模块

我们的爬取程序需要安装的依赖模块包括 requests，lxml，pymysql ，步骤如下：

进入python安装目录下的Scripts目录，点击地址栏输入“cmd” 打开命令行工具：

在这个路径下安装对应的 requests，lxml，pymysql 依赖：

需要输入的命令：

// 安装requests依赖
pip install requests// 安装lxml依赖
pip install lxml// 安装pymysql依赖
pip install pymysql

二.代码开发

开发 collectMovies.py

#!/user/bin env python
# 获取电影天堂详细信息
import requests
import time
from lxml import etree
import pymysql
requests.adapters.DEFAULT_RETRIES = 5
# 伪装浏览器
HEADERS ={'User-Agent':'Mozilla/5.(Windows NT 10.0; WOW64) AppleWebKit/537.3(KHTML, like Gecko) Chrome/63.0.3239.13Safari/537.36','Host':'www.dy2018.com'
}
# 定义全局变量
BASE_DOMAIN = 'https://www.dy2018.com/'
# 获取首页网页信息并解析
def getUrlText(url,coding):s = requests.session()#print("获取首页网页信息并解析：", url)respons = s.get(url,headers=HEADERS)print("请求URL：", url)if(coding=='c'):urlText = respons.content.decode('gbk')html = etree.HTML(urlText)  # 使用lxml解析网页else:urlText = respons.texthtml = etree.HTML(urlText)  # 使用lxml解析网页s.keep_alive = Falsereturn html# 获取电影详情页的href,text解析
def getHref(url):html = getUrlText(url,'t')aHref = html.xpath('//table[@class="tbspan"]//a/@href')print("获取电影详情页的href,text解析```")htmlAll = map(lambda url:BASE_DOMAIN+url,aHref) # 给每个href补充BASE_DOMAINreturn htmlAll# 使用content解析电影详情页，并获取详细信息数据
def getPage(url):html = getUrlText(url,'c')moveInfo = {}  # 定义电影信息mName = html.xpath('//div[@class="title_all"]//h1/text()')[0]moveInfo['movie_name'] = mNamemDiv = html.xpath('//div[@id="Zoom"]')[0]mImgSrc = mDiv.xpath('.//img/@src')moveInfo['image_path'] = mImgSrc[0]  # 获取海报src地址if len(mImgSrc) >= 2:moveInfo['screenshot'] = mImgSrc[1]  # 获取电影截图src地址mContnent = mDiv.xpath('.//text()')def pares_info(info,rule):''':param info: 字符串:param rule: 替换字串:return:  指定字符串替换为空，并剔除左右空格'''return info.replace(rule,'').strip()for index,t in enumerate(mContnent):if t.startswith('◎译　　名'):name = pares_info(t,'◎译　　名')moveInfo['translation']=nameelif t.startswith('◎片　　名'):name = pares_info(t,'◎片　　名')moveInfo['movie_title']=nameelif t.startswith('◎年　　代'):name = pares_info(t,'◎年　　代')moveInfo['movie_age']=nameelif t.startswith('◎产　　地'):name = pares_info(t,'◎产　　地')moveInfo['movie_place']=nameelif t.startswith('◎类　　别'):name = pares_info(t,'◎类　　别')moveInfo['category']=nameelif t.startswith('◎语　　言'):name = pares_info(t,'◎语　　言')moveInfo['language']=nameelif t.startswith('◎字　　幕'):name = pares_info(t,'◎字　　幕')moveInfo['subtitle']=nameelif t.startswith('◎上映日期'):name = pares_info(t,'◎上映日期')moveInfo['release_date']=nameelif t.startswith('◎豆瓣评分'):name = pares_info(t,'◎豆瓣评分')moveInfo['douban_score']=nameelif t.startswith('◎片　　长'):name = pares_info(t,'◎片　　长')moveInfo['file_length']=nameelif t.startswith('◎导　　演'):name = pares_info(t,'◎导　　演')moveInfo['director']=nameelif t.startswith('◎编　　剧'):name = pares_info(t, '◎编　　剧')writers = [name]for i in range(index + 1, len(mContnent)):writer = mContnent[i].strip()if writer.startswith('◎'):breakwriters.append(writer)moveInfo['screenwriter'] = writerselif t.startswith('◎主　　演'):name = pares_info(t, '◎主　　演')actors = [name]for i in range(index+1,len(mContnent)):actor = mContnent[i].strip()if actor.startswith('◎'):breakactors.append(actor)moveInfo['stars'] = " ".join(actors)elif t.startswith('◎标　　签'):name = pares_info(t,'◎标　　签')moveInfo['tags']=nameelif t.startswith('◎简　　介'):name = pares_info(t,'◎简　　介')profiles = []for i in range(index + 1, len(mContnent)):profile = mContnent[i].strip()if profile.startswith('◎获奖情况') or '【下载地址】' in profile:breakprofiles.append(profile)moveInfo['introduction']=" ".join(profiles)elif t.startswith('◎获奖情况'):name = pares_info(t,'◎获奖情况')awards = []for i in range(index + 1, len(mContnent)):award = mContnent[i].strip()if '【下载地址】' in award:breakawards.append(award)moveInfo['awards']=" ".join(awards)moveInfo['movie_url'] = urlreturn moveInfo# 获取前n页所有电影的详情页href
def spider():#连接数据库base_url = 'https://www.dy2018.com/html/gndy/dyzz/index_{}.html'moves = []m = int(input('请输入您要获取的开始页：'))n = int(input('请输入您要获取的结束页：'))print('即将写入第{}页到第{}页的电影信息，请稍后...'.format(m, n))for i in range(m,n+1):print('******* 第{}页电影 正在写入 ********'.format(i))if i == 1:url = "https://www.dy2018.com/html/gndy/dyzz/"else:url = base_url.format(i)moveHref = getHref(url)print("休息2s后再进行操作")time.sleep(2)for index,mhref in enumerate(moveHref):print('---- 正在处理第{}部电影----'.format(index+1))move = getPage(mhref)moves.append(move)
# 将电影信息写入数据库db = pymysql.connect(host='127.0.0.1',user='root', password='123456', port=3306, db='你的数据库名称')table = 'movies'i = 1for data in moves:keys = ', '.join(data.keys())values = ', '.join(['%s'] * len(data))sql = 'INSERT INTO {table}(id,{keys}) VALUES (null,{values})'.format(table=table, keys=keys, values=values)try:cursor = db.cursor()cursor.execute(sql, tuple(data.values()))print('本条数据成功执行!')if i%10==0:db.commit()except Exception as e:print('将电影信息写入数据库发生异常!',repr(e))db.rollback()cursor.close()i = i + 1db.commit()db.close()print('写入数据库完成！')if __name__ == '__main__':spider()

三.运行测试

1.新建电影信息表

CREATE TABLE `movies` (`id` bigint(20) NOT NULL AUTO_INCREMENT,`movie_name` varchar(255) DEFAULT NULL,`image_path` varchar(255) DEFAULT NULL,`screenshot` varchar(255) DEFAULT NULL,`translation` varchar(255) DEFAULT NULL,`movie_title` varchar(255) DEFAULT NULL,`movie_age` varchar(50) DEFAULT NULL,`movie_place` varchar(50) DEFAULT NULL,`category` varchar(100) DEFAULT NULL,`language` varchar(100) DEFAULT NULL,`subtitle` varchar(100) DEFAULT NULL,`release_date` varchar(50) DEFAULT NULL,`douban_score` varchar(50) DEFAULT NULL,`file_length` varchar(255) DEFAULT NULL,`director` varchar(100) DEFAULT NULL,`screenwriter` varchar(100) DEFAULT NULL,`stars` mediumtext,`tags` varchar(255) DEFAULT NULL,`introduction` mediumtext,`awards` text,`movie_url` varchar(255) DEFAULT NULL,PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8;

2.代码运行

打开 collectMovies.py 所在目录，输入命令运行：

python collectMovies.py

运行结果如下：

查看数据库表，数据已成功插入：

四.问题排查和修复

1.空白字符报错

第一次使用 Python，不太熟悉它的规则，空格和Tab混用，运行会报如下错：

unindent does not match any outer indentation level

解决方法

下载 Notepad++，选择 “编辑” – “空白字符操作” – "空格转 Tab (行首)"即可。

2.请求报错

修改好格式之后再次运行，反反复复的报请求的错，报错信息主要包括以下内容：

ssl.SSLEOFError: EOF occurred in violation of protocol
······
Max retries exceeded with url

解决方法

本来以为是请求设置出了问题，各种百度，还安装了 pip install incremental ，但是依然没有奏效。

后来把请求的网址换成百度网就不报错了，这样可以定位到是原网址的访问出了问题，更换了采集源路径，该问题解决。