快捷導(dǎo)航

python爬取豆瓣電影TOP250數(shù)據(jù)

更新時(shí)間：2021年05月22日 17:16:01 作者：秋無(wú)之地

這次以豆瓣電影TOP250網(wǎng)為例編寫(xiě)一個(gè)爬蟲(chóng)程序，并將爬取到的數(shù)據(jù)（排名、電影名和電影海報(bào)網(wǎng)址）存入MySQL數(shù)據(jù)庫(kù)中。

在執(zhí)行程序前，先在MySQL中創(chuàng)建一個(gè)數(shù)據(jù)庫(kù)"pachong"。

import pymysql
import requests
import re


#獲取資源并下載
def resp(listURL):
    #連接數(shù)據(jù)庫(kù)
    conn = pymysql.connect(
        host = '127.0.0.1',
        port = 3306,
        user = 'root',
        password = '******',  #數(shù)據(jù)庫(kù)密碼請(qǐng)根據(jù)自身實(shí)際密碼輸入
        database = 'pachong', 
        charset = 'utf8'
    )

    #創(chuàng)建數(shù)據(jù)庫(kù)游標(biāo)
    cursor = conn.cursor()

    #創(chuàng)建列表t_movieTOP250（執(zhí)行sql語(yǔ)句）
    cursor.execute('create table t_movieTOP250(id INT PRIMARY KEY 												auto_increment NOT NULL ,movieName VARCHAR(20) NOT NULL 									,pictrue_address VARCHAR(100))')

    try:
        # 爬取數(shù)據(jù)
        for urlPath in listURL:
            # 獲取網(wǎng)頁(yè)源代碼
            response = requests.get(urlPath)
            html = response.text

            # 正則表達(dá)式
            namePat = r'alt="(.*?)" src='
            imgPat = r'src="(.*?)" class='

            # 匹配正則（排名【用數(shù)據(jù)庫(kù)中id代替，自動(dòng)生成及排序】、電影名、電影海報(bào)（圖片地址））
            res2 = re.compile(namePat)
            res3 = re.compile(imgPat)
            textList2 = res2.findall(html)
            textList3 = res3.findall(html)

            # 遍歷列表中元素,并將數(shù)據(jù)存入數(shù)據(jù)庫(kù)
            for i in range(len(textList3)):
                cursor.execute('insert into t_movieTOP250(movieName,pictrue_address) 									VALUES("%s","%s")' % (textList2[i],textList3[i]))

        #從游標(biāo)中獲取結(jié)果
        cursor.fetchall()

        #提交結(jié)果
        conn.commit()
        print("結(jié)果已提交")

    except Exception as e:
        #數(shù)據(jù)回滾
        conn.rollback()
        print("數(shù)據(jù)已回滾")

    #關(guān)閉數(shù)據(jù)庫(kù)
    conn.close()

#top250所有網(wǎng)頁(yè)網(wǎng)址
def page(url):
    urlList = []
    for i in range(10):
        num = str(25*i)
        pagePat = r'?start=' + num + '&filter='
        urL = url+pagePat
        urlList.append(urL)
    return urlList


if __name__ == '__main__':
    url = r"https://movie.douban.com/top250"
    listURL = page(url)
    resp(listURL)

結(jié)果如下圖：