参考B站教程：5天Pyton爬虫，应用Python、Flask框架、Echarts、WordCloud等技术实现
可视化网页
- 主页
- 电影
- 评分分布
- 词云图
#引入需要的包
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
#1. 当程序执行时，调用函数
if __name__ == "__main__":
main()
print("爬取完毕")
#2. 执行main
def main():
baseurl = "https://movie.douban.com/top250?start="
datalist = getData(baseurl)
dbpath = "movie.db"
saveData2DB(datalist, dbpath)
*#影片详情链接的规则*
findlink = re.compile(r'<a href="(.*?)">') #compile表示创建正则表达式对象，表示规则（字符串的模式）
*#影片图片*
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)
#2.1 爬取网页
def getData(baseurl):
datalist = []
for i in range(0,10): #调用获取页面信息的函数，10次
url = baseurl + str(i*25)
html = askURL(url) #保存获取到的网页源码
#2.2 解析数据
soup = BeautifulSoup(html,"html.parser")
#Beautifulsoup对文档html解析，用解析器html.parser，放到树形结构对象soup
for item in soup.find_all('div',class_= "item"):
#查找符合要求的字符串，形成列表,class_表示class的属性
*#print(item) #测试：查看电影item全部信息*
data = [] #保存一部电影的所有信息
item = str(item)
*#影片详情链接*
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,0表示取找到链接的第一个
*#print(link)*
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) #片名可能只有一个中文名，没有外国名
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) #添加外文名
else:
data.append(Titles[0])
data.append(' ') #留空外文名
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(" ")
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) #把梳理好的一部电影信息放入datalist
*# print(datalist)*
return 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;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 80.0.3987.163Safari / 537.36"
}
*#用户代理，表示告诉豆瓣服务器，我们是什么类型的机器、浏览器（本质上是告诉浏览器，我们可以接受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")
*#print(html)*
except urllib.error.URLError as e:
if hasattr(e,"code"):
print(e.code)
if hasattr(e,"reason"):
print(e.reason)
return html
#2.3 保存数据
def saveData2DB(datalist, dbpath):
*#print("...")*
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.close()
