手把手教你網路爬蟲（爬取豆瓣電影top250，附帶原始碼）

鶴城發表於2023-03-04
爬蟲原始碼

概念

網路爬蟲就是按照一定的規則，自動抓取網際網路資訊的程式或指令碼。其本質就是模擬瀏覽器開啟網頁，獲取網頁中我們需要的資料。

基本流程

  1. 準備工作（構建流程）
  2. 獲取資料
  3. 解析內容
  4. 儲存資料

1. 準備工作

'''
#執行流程
def main(a):
    print("hello",a)

main(2)

if __name__ == '__main__':      #當程式執行時
    main(1)             #呼叫函式
'''
'''
#引入模組
#引入自定義的模組
# from test1 import t1

#引入系統的模組
import os
import sys

#引入第三方的模組
import re
'''

from bs4 import BeautifulSoup    #網頁解析，獲取資料
import re       #正規表示式，進行文字匹配
import urllib.request,urllib.error      #制定url，獲取網頁資料
import xlwt     #進行excel操作
import sqlite3      #進行sqlite資料庫操作

下載第三方模組檔案：file——setting——project——python interpreter—— +

2. 構建流程

def main():
    baseurl = "https://movie.douban.com/top250"
    #1.爬取網頁
    datalist = getData(baseurl)
    savepath = ".\\豆瓣電影top250.xls"
    #3.儲存資料
    saveData(savepath)
#爬取網頁
def getData(baseurl):
    datalist = []
    # 2.逐一解析資料
    return datalist

#儲存資料
def saveData(savepath):
    print("save....")

if __name__ == '__main__':
    main()

3. 獲取資料

#獲取單個指定url網頁的內容
def askUrl(url):
    head = {        #模擬瀏覽器頭部資訊，向豆瓣伺服器傳送訊息
        "User-Agent": "Mozilla / 5.0(Linux; Android 6.0; Nexus 5 Build / MRA58N) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 110.0.0.0 Mobile Safari / 537.36 Edg / 110.0.1587.50"
    }
            #使用者代理：告訴豆瓣伺服器我們是什麼型別的機器、瀏覽器，本質上是告訴伺服器，我們可以接受什麼樣的檔案內容
    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

4. 解析內容

#影片詳情的規則
findLink = re.compile(r'<a href="(.*?)"')
#影片圖片的規則
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)
#影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片的評分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#評價人數
findJudge = re.compile(r'<span>(\d*)人評價</span>')
#概況
findInq = re.compile(r'<span class="inq">(.*)</span>')
#影片相關內容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)

 # 2.逐一解析資料
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all("div",class_ = "item"):   #查詢符合要求的字串，形成列表
            # print(item)         #測試：檢視電影item全部資訊
            # break
            data = []

            item = str(item)
            #影片詳情的連結
            link = re.findall(findLink,item)[0]     #re庫透過正規表示式查詢指定的字串
            data.append(link)           #新增連結

            imgSrc = re.findall(findImgSrc,item)[0]
            data.append(imgSrc)         #新增圖片

            titles = re.findall(findTitle,item) #名字可能只有中文名，沒有外文名，需要區分一下
            if len(titles) == 2:
                ctitle = titles[0]
                data.append(ctitle)
                otitle = titles[1].replace("/","")      #去掉無關符號
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append(" ")            #外文名留空

            rating = re.findall(findRating,item)[0]
            data.append(rating)             #新增評分

            judgeNum = re.findall(findJudge,item)[0]
            data.append(judgeNum)           #新增評價人數

            inq = re.findall(findInq,item)
            # data.append(inq)                #新增概述
            if len(inq) != 0:
                inq = inq[0].replace("。","")        #去掉句號
                data.append(inq)
            else:
                data.append(" ")        #留空

            bd = re.findall(findBd,item)[0]
            bd = re.sub("<br(\s+)?/>(s+)?"," ",bd)
            bd = re.sub("/"," ",bd)     #替換/
            data.append(bd.strip())     #去掉前後空格

            datalist.append(data)           #把處理好的一部電影資訊放入dataList

    print(datalist)
    return datalist

5.儲存資料

(1)儲存資料到excel

#儲存資料
def saveData(datalist,savepath):
    workbook = xlwt.Workbook(encoding="utf-8",style_compression=0)
    worksheet = workbook.add_sheet("豆瓣電影top250",cell_overwrite_ok=True)
    col = ("電影詳情連結","圖片連結","影片中文名","影片外國名","評分","評價數","概況","相關資訊")
    for i in range(0,8):
        worksheet.write(0,i,col[i]) #列名
    for i in range(0,250):
        print("第%d條"%(i+1))
        data = datalist[i]
        for j in range(0,8):
            worksheet.write(i+1,j,data[j])

    workbook.save(savepath)

（2）儲存資料到SQLite

完整程式碼

from bs4 import BeautifulSoup    #網頁解析，獲取資料
import re       #正規表示式，進行文字匹配
import urllib.request,urllib.error      #制定url，獲取網頁資料
import xlwt     #進行excel操作

#影片詳情的規則
findLink = re.compile(r'<a href="(.*?)"')
#影片圖片的規則
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)
#影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片的評分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#評價人數
findJudge = re.compile(r'<span>(\d*)人評價</span>')
#概況
findInq = re.compile(r'<span class="inq">(.*)</span>')
#影片相關內容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)

def main():
    baseurl = "https://movie.douban.com/top250?start="
    #1.爬取網頁
    datalist = getData(baseurl)
    savepath = "豆瓣電影top250.xls"
    #3.儲存資料
    saveData(datalist,savepath)



#爬取網頁
def getData(baseurl):
    datalist = []
    for i in range(0,10):
        url = baseurl + str(i * 25)
        html = askUrl(url)

        # 2.逐一解析資料
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all("div",class_ = "item"):   #查詢符合要求的字串，形成列表
            # print(item)         #測試：檢視電影item全部資訊
            # break
            data = []

            item = str(item)
            #影片詳情的連結
            link = re.findall(findLink,item)[0]     #re庫透過正規表示式查詢指定的字串
            data.append(link)           #新增連結

            imgSrc = re.findall(findImgSrc,item)[0]
            data.append(imgSrc)         #新增圖片

            titles = re.findall(findTitle,item) #名字可能只有中文名，沒有外文名，需要區分一下
            if len(titles) == 2:
                ctitle = titles[0]
                data.append(ctitle)
                otitle = titles[1].replace("/","")      #去掉無關符號
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append(" ")            #外文名留空

            rating = re.findall(findRating,item)[0]
            data.append(rating)             #新增評分

            judgeNum = re.findall(findJudge,item)[0]
            data.append(judgeNum)           #新增評價人數

            inq = re.findall(findInq,item)
            if len(inq) != 0:
                inq = inq[0].replace("。","")        #去掉句號
                data.append(inq)
            else:
                data.append(" ")        #留空

            bd = re.findall(findBd,item)[0]
            bd = re.sub("<br(\s+)?/>(s+)?"," ",bd)
            bd = re.sub("/"," ",bd)     #替換/
            data.append(bd.strip())     #去掉前後空格

            datalist.append(data)           #把處理好的一部電影資訊放入dataList

    print(datalist)
    return datalist


#獲取單個指定url網頁的內容
def askUrl(url):
    head = {        #模擬瀏覽器頭部資訊，向豆瓣伺服器傳送訊息
        "User-Agent": "Mozilla / 5.0(Linux; Android 6.0; Nexus 5 Build / MRA58N) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 110.0.0.0 Mobile Safari / 537.36 Edg / 110.0.1587.50"
    }
            #使用者代理：告訴豆瓣伺服器我們是什麼型別的機器、瀏覽器，本質上是告訴伺服器，我們可以接受什麼樣的檔案內容
    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


#儲存資料
def saveData(datalist,savepath):
    workbook = xlwt.Workbook(encoding="utf-8",style_compression=0)
    worksheet = workbook.add_sheet("豆瓣電影top250",cell_overwrite_ok=True)
    col = ("電影詳情連結","圖片連結","影片中文名","影片外國名","評分","評價數","概況","相關資訊")
    for i in range(0,8):
        worksheet.write(0,i,col[i]) #列名
    for i in range(0,250):
        print("第%d條"%(i+1))
        data = datalist[i]
        for j in range(0,8):
            worksheet.write(i+1,j,data[j])

    workbook.save(savepath)

if __name__ == '__main__':
    main()
    print("爬取完畢")

相關文章