python爬取豆瓣top250資訊並存入資料庫中 | sqlite3

阿新 • • 發佈：2022-05-30

注：本文承接上文：初學python爬蟲，爬取“豆瓣電影 Top 250”相關資訊，並下載電影封面
效果:

程式碼：

# -*- coding: utf-8 -*-
# @Time : 2021/9/4 17:32
# @Author : xinyang
# @File : spider.py
# @Software: PyCharm

from bs4 import BeautifulSoup
import re
import urllib
import xlwt  # 與生成Excel表格相關
import sqlite3


def main():
    baseurl = "https://movie.douban.com/top250?start="
    datalist = getData(baseurl)
    # savepath = "豆瓣電影top250.xls"  # 預設與此.py檔案在同一個目錄下
    dbpath = "movie.db"
    # saveData(datalist, savepath)
    saveData2DB(datalist, dbpath)
    # askURl("https://movie.douban.com/top250?start=")


# 全域性變數
findLink = re.compile(r'<a href="(.*?)">')  # 建立正則表示式物件，表示規則（字串的模式）
#  .* 表示許多的各種的字元，  ? 表示 這樣的字元"有"或者“沒有”（0次或者1次)
# 例子：<a href="https://movie.douban.com/subject/1291546/">或者<a href="  將沒有連結的包含在內（考慮意外情況）
# 影片圖片
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)  # re.S表示忽略換行符   因為  . 不包含換行符，加上re.S就可以把 .的概念“匹配”到任何字元
# 影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
# 影片評分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
# 找到評價人數
findJudge = re.compile(r'<span>(\d*)人評價</span>')  # \d* 表示0到多個數字
# 不能寫成(r'<span>1893209人評價</span>')  因為可能因為span標籤不止一個而匹配不成功
# 找到概況
findInq = re.compile(r'<span class="inq">(.*)</span>')
# 找到影片的相關內容
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)  # 忽視（.所不包含的）換行符


# 此處的？不可省略， 因為<\p>可能不止一個
# 注：省略？之後在”肖申克的救贖“電影中輸出的結果：'導演: 弗蘭克·德拉邦特 Frank Darabont\xa0\xa0\xa0主演: 蒂姆·羅賓斯 Tim Robbins  ... 1994\xa0 \xa0美國\xa0 \xa0犯罪 劇情\n                        < p>\n<div class="star">\n<span class="rating5-t">< span>\n<span class="rating_num" property="v:average">9.7< span>\n<span content="10.0" property="v:best">< span>\n<span>2310473人評價< span>\n< div>\n<p class="quote">\n<span class="inq">希望讓人自由。< span>'


# 爬取網頁
def getData(baseurl):
    datalist = []
    for i in range(0, 10):  # 呼叫獲取頁面資訊的函式，10次
        url = baseurl + str(i * 25)
        html = askURl(url).replace(u'\xa0', '') # 儲存獲取到的網頁原始碼
        # html = html.replace('\xa0', ' ')

        # 2.逐一解析資料
        soup = BeautifulSoup(html,
                             "html.parser")  # 指定Beautiful的解析器為“html.parser”，類似的還有BeautifulSoup(markup,"lxml")BeautifulSoup(markup, "lxml-xml") BeautifulSoup(markup,"xml")等等很多種
        # 注：解析器負責把 HTML 解析成相關的物件，而 BeautifulSoup 負責操作資料（增刪改查）。“html.parser” 是 Python 內建的解析器
        for item in soup.find_all('div', class_="item"):  # 查詢符合要求的字串，形成列表(注：class是一個類別/屬性，需要加下劃線，否則會報錯)
            # print(item)#測試檢視電影item
            data = []
            item = str(item)
            # 影片詳情的連結
            link = re.findall(findLink, item)[0]  # re庫用來通過正則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)  # 片名可能只有一箇中文名，沒有外國名
            if (len(titles) == 2):
                ctitle = titles[0]  # 新增中文名
                data.append(ctitle)
                otitle = titles[1].replace("/", "")  # 去掉無關的符號
                data.append(otitle)  # 新增外國名
            else:
                data.append(titles[0])
                data.append(' ')  # 外國名字留空

            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)  # 新增概述
            else:
                data.append(" ")  # 留空

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

            datalist.append(data)
    # print(datalist)
    return datalist


def askURl(url):  # 得到指定一個URL的網頁內容
    head = {
        "User-Agent": "Mozilla/5.0(Windows NT 10.0;Win64;x64) AppleWebKit/537.36(KHTML, likeGecko) Chrome / 89.0.4389.90Safari / 537.36"
    }
    request = urllib.request.Request(url, headers=head)
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8").replace(' ','')
        # html.decode().replace(' ', '').encode(encoding='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):
    print("save....")
    book = xlwt.Workbook(encoding="utf-8", style_compression=0)  # 建立workbook物件   style_compression=0表示樣式壓縮的效果
    sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True)  # 建立工作表  cell_overwrite_ok=True表示覆蓋之前的內容
    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):
        sheet.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):
            sheet.write(i + 1, j, data[j])  # 資料

    book.save(savepath)  # 儲存


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 ==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)
        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  
        )
    '''  # 建立資料表
    # 最後一個不需加逗號
    conn = sqlite3.connect(dbpath)  # 連線資料庫(如果資料庫不存在會自動建立資料庫）
    cursor = conn.cursor()
    cursor.execute(sql)  # 執行sql語句；execute() 將只執行一條單獨的 SQL 語句
    conn.commit()  # 這個方法提交當前事務。
    conn.close()  # 關閉資料庫連線。


if __name__ == "__main__":
    main()
    # init_db("movietest.db")
    print("爬取完畢！")

遇到的問題：

1.關於資料庫表格中出現：NBSP

原本的程式碼：

html = response.read().decode("utf-8")

修改之後：

html = response.read().decode("utf-8").replace(' ','')

參考：python爬蟲爬取內容的時候&nbsp 空格內容變成問號‘？’ - 可樂爆炸的回答 - 知乎 https://www.zhihu.com/question/35945782/answer/382589149

2. 為什麼HTML欄位中會出現&NBSP？

在html程式碼中每輸入一個轉義字元&nbsp就表示一個空格，輸入十個&nbsp，頁面中就顯示10個空格位置。

而在html程式碼中輸入空格，不管輸入多少個空格，最終在頁面中顯示的空格位置只有一個。

舉例：hmtl程式碼中，在兩個字之間輸入十個空格與輸入十個轉義字元&nbsp的效果對比。

3.java.io.IOException: 不能刪除資料庫檔案

方法一：首先在右側的資料庫中將其“remove”，然後再在檔案目錄中將其刪除；
方法二：
啟動工作管理員，結束pycharm程序下的外掛（結束任務）

參考：java.io.IOException: 不能刪除資料庫檔案

4. 關於decode和encode的區別

首先要搞清楚，字串在Python內部的表示是unicode編碼，因此，在做編碼轉換時，通常需要以unicode作為中間編碼；

（即先將其他編碼的字串解碼（decode）成unicode，再從unicode編碼（encode）成另一種編碼。）
decode的作用：將其他編碼的字串轉換成unicode編碼；
- 如str1.decode('gb2312')，表示將gb2312編碼的字串str1轉換成unicode編碼。
encode的作用：將unicode編碼轉換成其他編碼的字串；
- 如str2.encode('gb2312')，表示將unicode編碼的字串str2轉換成gb2312編碼。

總結：想要將其他的編碼轉換成utf-8必須先將其解碼成unicode然後重新編碼成utf-8,它是以unicode為轉換媒介的

參考：decode和encode的區別