這篇文章主要介紹了python爬蟲 貓眼電影和電影天堂數據csv和mysql存儲過程解析,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下
字符串常用方法
# 去掉左右空格 'hello world'.strip() # 'hello world' # 按指定字符切割 'hello world'.split(' ') # ['hello','world'] # 替換指定字符串 'hello world'.replace(' ','#') # 'hello#world'
csv模塊
作用:將爬取的數據存放到本地的csv文件中
使用流程
- 導入模塊
- 打開csv文件
- 初始化寫入對象
- 寫入數據(參數爲列表)
import csv with open('test.csv','w') as f: writer = csv.writer(f) # 初始化寫入對象 # 寫一行 writer.writerow(['超哥哥',20]) writer.writerow(['步驚雲',22]) with open('test.csv','a') as f: writer = csv.writer(f) # 寫多行 data_list = [('聶風',23),('秦霜',30)] writer.writerows(data_list)
Windows中使用csv模塊默認會在每行後面添加一個空行,使用newline=''可解決
with open('xxx.csv','w',newline='') as f:
貓眼電影top100抓取案例
確定URL網址
貓眼電影 - 榜單 - top100榜 目標
電影名稱、主演、上映時間 操作步驟
1、查看是否爲動態加載
右鍵 - 查看網頁源代碼 - 搜索爬取關鍵字(查看在源代碼中是否存在)
2、找URL規律
- 第1頁:https://maoyan.com/board/4?offset=0
- 第2頁:https://maoyan.com/board/4?offset=10
- 第n頁:offset=(n-1)*10
3、正則表達式
<div class="movie-item-info">.*?title="(.*?)".*?class="star">(.*?)</p>.*?releasetime">(.*?)</p>
4、編寫程序框架,完善程序
- 打印程序執行時間
- 隨機的User-Agent,(確保每次發請求使用隨機)
- 數據爬下來後做處理(字符串),定義成字典
- 一條龍: 獲取 -> 調用解析 -> 數據處理
- 貓眼電影數據存入本地 maoyanfilm.csv 文件
from urllib import request import time import re import csv import random class MaoyanSpider(object): def __init__(self): self.page = 1 # 用於記錄頁數 self.url = 'https://maoyan.com/board/4?offset={}' self.agent = [ 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 \ Safari/535.1', 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0', 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; \ .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)', 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1'] # 請求 def get_page(self, url): headers = {'User-Agent': random.choice(self.agent)} # 每次使用隨機的user-agent req = request.Request(url=url, headers=headers) # 創建請求對象 res = request.urlopen(req) # 發起請求 html = res.read().decode('utf-8') # 獲取請求內容 self.parse_page(html) # 直接調用解析函數 # 解析 def parse_page(self, html): pattren = re.compile( '<div class="movie-item-info">.*?title="(.*?)".*?class="star">(.*?)</p>.*?releasetime">(.*?)</p>', re.S) r_list = pattren.findall(html) # rlist: [('霸王別姬', '\n 主演:張國榮,張豐毅,鞏俐\n ', '上映時間:1993-01-01'),(...),(...)] self.write_page(r_list) # 寫入csv文件 # # 保存,打印輸出 # def write_page(self,r_list): # one_film_dict = {} # for rt in r_list: # one_film_dict['name'] = rt[0].strip() # one_film_dict['star'] = rt[1].strip() # one_film_dict['time'] = rt[2].strip()[5:15] # # print(one_film_dict) # 保存到csv文件(writerows) -- 推薦使用此方法 def write_page(self, r_list): # 空列表,最終writerows()的參數: [(),(),()] film_list = [] with open('maoyan.csv', 'a',newline="") as f: writer = csv.writer(f) for rt in r_list: # 把處理過的數據定義成元組 t = (rt[0], rt[1].strip(), rt[2].strip()[5:15]) film_list.append(t) writer.writerows(film_list) def main(self): for offset in range(0, 31, 10): url = self.url.format(offset) self.get_page(url) time.sleep(random.randint(1, 3)) print('第%d頁爬取完成' % self.page) self.page += 1 if __name__ == '__main__': start = time.time() spider = MaoyanSpider() spider.main() end = time.time() print('執行時間: %.2f' % (end - start))
數據持久化存儲(MySQL數據庫)
讓我們來回顧一下pymysql模塊的基本使用
import pymysql db = pymysql.connect('localhost', 'root', '123456', 'maoyandb', charset='utf8') cursor = db.cursor() # 創建遊標對象 # execute()方法第二個參數爲列表傳參補位 cursor.execute('insert into film values(%s,%s,%s)', ['霸王別姬', '張國榮', '1993']) db.commit() # 提交到數據庫執行 cursor.close() # 關閉 db.close()
讓我們來回顧一下pymysql中executemany()的用法
import pymysql # 數據庫連接對象 db = pymysql.connect('localhost', 'root', '123456', charset='utf8') cursor = db.cursor() # 遊標對象 ins_list = [] # 存放所有數據的大列表 for i in range(2): name = input('請輸入第%d個學生姓名:' % (i + 1)) age = input('請輸入第%d個學生年齡:' % (i + 1)) ins_list.append([name, age]) ins = 'insert into t3 values(%s,%s)' # 定義插入語句 cursor.executemany(ins, ins_list) # 一次數據庫的IO操作可插入多條語句,提升性能 db.commit() # 提交到數據庫執行 cursor.close() # 關閉遊標 db.close() # 關閉數據庫 ins = 'insert into maoyanfilm values(%s,%s,%s)' cursor.execute(['霸王', '國榮', '1991']) cursor.executemany([ ['月光寶盒', '周星馳', '1993'], ['大聖娶親', '周星馳', '1993']])
練習:把貓眼電影案例中電影信息存入MySQL數據庫中(儘量使用executemany方法)
from urllib import request import time import re import pymysql import random class MaoyanSpider(object): def __init__(self): self.page = 1 # 用於記錄頁數 self.url = 'https://maoyan.com/board/4?offset={}' self.ua_list = [ 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) \ Chrome/14.0.835.163 Safari/535.1', 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0', 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; \ .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)'] # 創建數據庫連接對象和遊標對象 self.db = pymysql.connect('localhost', 'root', '123456', 'maoyandb', charset='utf8') self.cursor = self.db.cursor() # 獲取 def get_page(self, url): # 每次使用隨機的user-agent headers = {'User-Agent': random.choice(self.ua_list)} req = request.Request(url=url, headers=headers) res = request.urlopen(req) html = res.read().decode('utf-8') self.parse_page(html) # 直接調用解析函數 # 解析 def parse_page(self, html): pattren = re.compile( '<div class="movie-item-info">.*?title="(.*?)".*?class="star">(.*?)</p>.*?releasetime">(.*?)</p>', re.S) # rlist: [('霸王別姬','張國榮','1993'),(),()] r_list = pattren.findall(html) print(r_list) self.write_page(r_list) # 存入mysql數據庫(executemany([ [],[],[] ])) def write_page(self, r_list): film_list = [] ins = 'insert into filmtab values(%s,%s,%s)' # 定義插入語句 # 處理數據,放到大列表film_list中 for rt in r_list: one_film = [rt[0], rt[1].strip(), rt[2].strip()[5:15]] # 添加到大列表中 film_list.append(one_film) # 一次數據庫IO把1頁數據存入 self.cursor.executemany(ins, film_list) # 提交到數據庫執行 self.db.commit() def main(self): for offset in range(0, 31, 10): url = self.url.format(offset) self.get_page(url) time.sleep(random.randint(1, 3)) print('第%d頁爬取完成' % self.page) self.page += 1 # 斷開數據庫(所有頁爬完之後) self.cursor.close() self.db.close() if __name__ == '__main__': start = time.time() spider = MaoyanSpider() spider.main() end = time.time() print('執行時間: %.2f' % (end - start))
讓我們來做個SQL命令查詢
1、查詢20年以前的電影的名字和上映時間
select name,time from filmtab where time<(now()-interval 20 year);
2、查詢1990-2000年的電影名字和上映時間
select name,time from filmtab where time>='1990-01-01' and time<='2000-12-31';
讓我們來複習一下mongdb數據庫
import pymongo # 1.連接對象 conn = pymongo.MongoClient(host='127.0.0.1', port=27017) db = conn['maoyandb'] # 2.庫對象 myset = db['filmtab'] # 3.集合對象 myset.insert_one({'name': '趙敏'}) # 4.插入數據庫
練習:把貓眼電影案例中電影信息存入MongDB數據庫中
from urllib import request import re import time import random import pymongo class MaoyanSpider(object): def __init__(self): self.url = 'https://maoyan.com/board/4?offset={}' # 計數 self.num = 0 # 創建3個對象 self.conn = pymongo.MongoClient('localhost', 27017) self.db = self.conn['maoyandb'] self.myset = self.db['filmset'] self.ua_list = [ 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1', 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0', 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET \ CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)', ] def get_html(self, url): headers = { 'User-Agent': random.choice(self.ua_list) } req = request.Request(url=url, headers=headers) res = request.urlopen(req) html = res.read().decode('utf-8') # 直接調用解析函數 self.parse_html(html) def parse_html(self, html): re_bds = r'<div class="movie-item-info">.*?title="(.*?)".*?class="star">(.*?)</p>.*?releasetime">(.*?)</p>' pattern = re.compile(re_bds, re.S) # film_list: [('霸王別姬','張國榮','1993'),()] film_list = pattern.findall(html) # 直接調用寫入函數 self.write_html(film_list) # mongodb數據庫 def write_html(self, film_list): for film in film_list: film_dict = { 'name': film[0].strip(), 'star': film[1].strip(), 'time': film[2].strip()[5:15] } # 插入mongodb數據庫 self.myset.insert_one(film_dict) def main(self): for offset in range(0, 31, 10): url = self.url.format(offset) self.get_html(url) time.sleep(random.randint(1, 2)) if __name__ == '__main__': start = time.time() spider = MaoyanSpider() spider.main() end = time.time() print('執行時間:%.2f' % (end - start))
電影天堂案例(二級頁面抓取)
1、查看是否爲靜態頁面,是否爲動態加載
右鍵 - 查看網頁源代碼
2、確定URL地址
百度搜索 :電影天堂 - 2019年新片 - 更多
3、目標
*********一級頁面***********
1、電影名稱
2、電影鏈接
*********二級頁面***********
1、下載鏈接
4、步驟
找URL規律
第1頁 :https://www.dytt8.net/html/gndy/dyzz/list_23_1.html
第2頁 :https://www.dytt8.net/html/gndy/dyzz/list_23_2.html
第n頁 :https://www.dytt8.net/html/gndy/dyzz/list_23_n.html
寫正則表達式
1、一級頁面正則表達式(電影名稱、電影詳情鏈接)
<table width="100%".*?<td height="26">.*?<a href="(.*?)" rel="external nofollow" rel="external nofollow" .*?>(.*?)</a>
2、二級頁面正則表達式
<td style="WORD-WRAP.*?>.*?>(.*?)</a>
代碼實現
# decode('gbk','ignore') 注意ignore參數
# 注意結構和代碼可讀性(一個函數不要太冗餘)
from urllib import request import re import time import random from useragents import * import pymysql class FilmSky(object): def __init__(self): self.url = 'https://www.dytt8.net/html/gndy/dyzz/list_23_{}.html' # 定義兩個對象 self.db = pymysql.connect('127.0.0.1', 'root', '123456', 'maoyandb', charset='utf8') self.cursor = self.db.cursor() # 獲取html函數(因爲兩個頁面都需要發請求) def get_page(self, url): req = request.Request(url=url, headers={'User-Agent': random.choice(ua_list)}) res = request.urlopen(req) # ignore參數,實在處理不了的編碼錯誤忽略 # 查看網頁源碼,發現網頁編碼爲 gb2312,不是 utf-8 html = res.read().decode('gbk', 'ignore') return html # 解析提取數據(把名稱和下載鏈接一次性拿到) # html爲一級頁面響應內容 def parse_page(self, html): # 1. 先解析一級頁面(電影名稱 和 詳情鏈接) pattern = re.compile('<table width="100%".*?<td height="26">.*?<a href="(.*?)" rel="external nofollow" rel="external nofollow" .*?>(.*?)</a>', re.S) # film_list: [('詳情鏈接','名稱'),()] film_list = pattern.findall(html) # [('/html/gndy/dyzz/20190806/58956.html', '019年驚悚動作《報仇雪恨/血債血償》BD中英雙字幕'),(),()] ins = 'insert into filmsky values(%s,%s)' for film in film_list: film_name = film[1] film_link = 'https://www.dytt8.net' + film[0] # 2. 拿到詳情鏈接後,再去獲取詳情鏈接html,提取下載鏈接 download_link = self.parse_two_html(film_link) self.cursor.execute(ins, [film_name, film_link]) self.db.commit() # 打印測試 d = {'電影名稱': film_name, '下載鏈接': download_link} print(d) # {'電影名稱': '019年驚悚動作《報仇雪恨/血債血償》BD中英雙字幕', '下載鏈接': 'ftp://ygdy8:[email protected]:8590/陽光電影www.ygdy8.com.報仇雪恨.BD.720p.中英雙字幕.mkv'} # 解析二級頁面,獲取下載鏈接 def parse_two_html(self, film_link): two_html = self.get_page(film_link) pattern = re.compile('<td style="WORD-WRAP.*?>.*?>(.*?)</a>', re.S) download_link = pattern.findall(two_html)[0] return download_link # 主函數 def main(self): for page in range(1, 11): url = self.url.format(page) html = self.get_page(url) self.parse_page(html) time.sleep(random.randint(1, 3)) print('第%d頁完成' % page) if __name__ == '__main__': start = time.time() spider = FilmSky() spider.main() end = time.time() print('執行時間:%.2f' % (end - start))
以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支持神馬文庫。