python爬蟲實戰--第一章：爬取豆瓣電影Top250

本實戰項目通過python爬取豆瓣電影Top250榜單，利用flask框架和Echarts圖表分析評分、上映年份並將結果可視化,並製作了詞雲，項目已經上傳至服務器，歡迎各位大佬批評指正。

項目展示：http://121.36.81.197:5000/
源碼地址：https://github.com/lzz110/douban_movies_top250
學習資料：Python爬蟲技術5天速成（2020全新合集）

項目技術棧：Flask框架、Echarts、WordCloud、SQLite
環境：Python3
開發工具：PyCharm

第一章：爬取數據、保存

爬取鏈接: https://movie.douban.com/top250

excel 與數據庫文件：excel 與數據庫文件下載

• 使用到的庫文件

from bs4 import BeautifulSoup  # 網頁解析，獲取數據
import re  # 正則表達式，與文字匹配
import xlwt  # 制定URL，獲取網頁數據
import urllib.request, urllib.error  # 進行excel操作
import sqlite3  # 進行sqlite數據庫操作

• 模擬瀏覽器頭部信息，向服務器發送消息，獲取網頁信息
  如果服務器響應的代碼是418，說明請求未成功，網站不允許爬蟲，於是模擬瀏覽器頭部信息：User-Agent傳遞給了get函數的headers參數，結果返回200，說明請求成功，代碼爲：

def askURL(url):
    head = {  # 模擬瀏覽器頭部信息，向服務器發送消息
        "User-Agent": " Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 83.0.4103.116Safari / 537.36"
    }  # 告訴瀏覽器我們接受什麼水平的文件內容
    request = urllib.request.Request(url, headers=head)
    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

• 根據網頁信息 利用正則表達式進行數據解析

def getData(baseurl):
    datalist = []
    for i in range(0, 10):
        url = baseurl + str(i * 25)
        html = askURL(url)  # 保存爬取的網頁源碼

        # 逐一解析數據
        soup = BeautifulSoup(html, "html.parser")

        for item in soup.find_all('div', class_="item"):
            # print(item)  # 測試
            data = []  # 保存
            item = str(item)

            # re庫正則表達式來查找指定字符串,形成列表

            Link = re.findall(findLink, item)[0]  # 鏈接
            # print(Link)
            data.append(Link)

            ImaSrc = re.findall(findImaSrc, item)[0]  # 圖片鏈接
            # print(ImaSrc)
            data.append(ImaSrc)

            Title = re.findall(findTitle, item)[0]  # 片名：可能只有一箇中文名，沒有外譯名字
            if (len(Title) == 2):
                # print("完整title="+Title)
                cTitle = Title[0]  # 添加中文名
                # print(cTitle)
                data.append(Title)
                oTitle = Title[1].replace("/", "")  # 外譯片名
                # print(oTitle)
                # data.append(' ')
            else:
                data.append(Title)
                # data.append(' ')
                # print(Title)

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

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

            Inq = re.findall(findInq, item)  # 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]  # 相關內容

            temp = re.search('[0-9]+.*\/?', Bd).group().split('/')
            year, country, category = temp[0], temp[1], temp[2]  # 得到年份、地區、類型

            data.append(year)
            data.append(country)
            data.append(category)

            datalist.append(data)  # 把處理好的一部電影信息放入datalist

    return datalist

將爬取結果數據保存成兩種格式（數據庫 和 excel表格）：

• 寫入excel

def saveData(datalist, savepath):
    print("save...")
    book = xlwt.Workbook(encoding="utf-8")  # 創建workbook對象
    sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True)  # 創建工作表

    # 製作表頭
    col = ("電影詳情鏈接", "圖片鏈接", "中文名",  "評分", "評價數", "概述", "上映年份","製片國家","類型")
    for i in range(0, len(col)):
        sheet.write(0, i, col[i])

    for i in range(0, 250):
        # print("第%d條"%(i+1))
        data = datalist[i]
        for j in range(0, len(col)):
            sheet.write(i + 1, j, data[j])

    book.save(savepath)  # 保存

保存至excel結果：

• 寫入數據庫

def saveData2DB(datalist, dbpath):
    init_db(dbpath)
    conn = sqlite3.connect(dbpath)
    cur = conn.cursor()

    for data in datalist:
        for index in range(len(data)):
            data[index] = '"' + data[index] + '"'
        sql = '''
                insert into movie250(
                info_link, pic_link, cname, score,rated, introduction,year_release,country,category )
                values(%s)''' % ",".join(data)
        # print(sql)
        cur.execute(sql)
        conn.commit()
    cur.close()
    conn.close

保存至數據庫結果

至此爬取數據部分結束，下一章是電影數據處理和可視化