Python爬蟲實現抓取電影網站信息並入庫
一.環境搭建
1.下載安裝包
訪問 Python官網下載地址：https://www.python.org/downloads/
下載適合自己系統的安裝包：
我用的是 Windows 環境，所以直接下的 exe 包進行安裝。
下載後，雙擊下載包，進入 Python 安裝向導，安裝非常簡單，你隻需要使用默認的設置一直點擊"下一步"直到安裝完成即可。
2.修改環境變量
右鍵點擊"計算機"，點擊"屬性"；
然後點擊"高級系統設置"-“環境變量”；
選擇"系統變量"窗口下面的 “Path” ，添加 python 安裝路徑；
設置成功以後，在cmd命令行，輸入命令"python"，有顯示則說明配置成功。
3.安裝依賴模塊
我們的爬取程序需要安裝的依賴模塊包括 requests，lxml，pymysql ，步驟如下：
進入python安裝目錄下的Scripts目錄，點擊地址欄輸入“cmd” 打開命令行工具：
在這個路徑下安裝對應的 requests，lxml，pymysql 依賴：
需要輸入的命令：
// 安裝requests依賴 pip install requests // 安裝lxml依賴 pip install lxml // 安裝pymysql依賴 pip install pymysql
二.代碼開發
開發 collectMovies.py
#!/user/bin env python
# 獲取電影天堂詳細信息
import requests
import time
from lxml import etree
import pymysql
requests.adapters.DEFAULT_RETRIES = 5
# 偽裝瀏覽器
HEADERS ={
'User-Agent':'Mozilla/5.(Windows NT 10.0; WOW64) AppleWebKit/537.3(KHTML, like Gecko) Chrome/63.0.3239.13Safari/537.36',
'Host':'www.dy2018.com'
}
# 定義全局變量
BASE_DOMAIN = 'https://www.dy2018.com/'
# 獲取首頁網頁信息並解析
def getUrlText(url,coding):
s = requests.session()
#print("獲取首頁網頁信息並解析：", url)
respons = s.get(url,headers=HEADERS)
print("請求URL：", url)
if(coding=='c'):
urlText = respons.content.decode('gbk')
html = etree.HTML(urlText) # 使用lxml解析網頁
else:
urlText = respons.text
html = etree.HTML(urlText) # 使用lxml解析網頁
s.keep_alive = False
return html
# 獲取電影詳情頁的href,text解析
def getHref(url):
html = getUrlText(url,'t')
aHref = html.xpath('//table[@class="tbspan"]//a/@href')
print("獲取電影詳情頁的href,text解析```")
htmlAll = map(lambda url:BASE_DOMAIN+url,aHref) # 給每個href補充BASE_DOMAIN
return htmlAll
# 使用content解析電影詳情頁，並獲取詳細信息數據
def getPage(url):
html = getUrlText(url,'c')
moveInfo = {} # 定義電影信息
mName = html.xpath('//div[@class="title_all"]//h1/text()')[0]
moveInfo['movie_name'] = mName
mDiv = html.xpath('//div[@id="Zoom"]')[0]
mImgSrc = mDiv.xpath('.//img/@src')
moveInfo['image_path'] = mImgSrc[0] # 獲取海報src地址
if len(mImgSrc) >= 2:
moveInfo['screenshot'] = mImgSrc[1] # 獲取電影截圖src地址
mContnent = mDiv.xpath('.//text()')
def pares_info(info,rule):
'''
:param info: 字符串
:param rule: 替換字串
:return: 指定字符串替換為空，並剔除左右空格
'''
return info.replace(rule,'').strip()
for index,t in enumerate(mContnent):
if t.startswith('◎譯 名'):
name = pares_info(t,'◎譯 名')
moveInfo['translation']=name
elif t.startswith('◎片 名'):
name = pares_info(t,'◎片 名')
moveInfo['movie_title']=name
elif t.startswith('◎年 代'):
name = pares_info(t,'◎年 代')
moveInfo['movie_age']=name
elif t.startswith('◎產 地'):
name = pares_info(t,'◎產 地')
moveInfo['movie_place']=name
elif t.startswith('◎類 別'):
name = pares_info(t,'◎類 別')
moveInfo['category']=name
elif t.startswith('◎語 言'):
name = pares_info(t,'◎語 言')
moveInfo['language']=name
elif t.startswith('◎字 幕'):
name = pares_info(t,'◎字 幕')
moveInfo['subtitle']=name
elif t.startswith('◎上映日期'):
name = pares_info(t,'◎上映日期')
moveInfo['release_date']=name
elif t.startswith('◎豆瓣評分'):
name = pares_info(t,'◎豆瓣評分')
moveInfo['douban_score']=name
elif t.startswith('◎片 長'):
name = pares_info(t,'◎片 長')
moveInfo['file_length']=name
elif t.startswith('◎導 演'):
name = pares_info(t,'◎導 演')
moveInfo['director']=name
elif t.startswith('◎編 劇'):
name = pares_info(t, '◎編 劇')
writers = [name]
for i in range(index + 1, len(mContnent)):
writer = mContnent[i].strip()
if writer.startswith('◎'):
break
writers.append(writer)
moveInfo['screenwriter'] = writers
elif t.startswith('◎主 演'):
name = pares_info(t, '◎主 演')
actors = [name]
for i in range(index+1,len(mContnent)):
actor = mContnent[i].strip()
if actor.startswith('◎'):
break
actors.append(actor)
moveInfo['stars'] = " ".join(actors)
elif t.startswith('◎標 簽'):
name = pares_info(t,'◎標 簽')
moveInfo['tags']=name
elif t.startswith('◎簡 介'):
name = pares_info(t,'◎簡 介')
profiles = []
for i in range(index + 1, len(mContnent)):
profile = mContnent[i].strip()
if profile.startswith('◎獲獎情況') or '【下載地址】' in profile:
break
profiles.append(profile)
moveInfo['introduction']=" ".join(profiles)
elif t.startswith('◎獲獎情況'):
name = pares_info(t,'◎獲獎情況')
awards = []
for i in range(index + 1, len(mContnent)):
award = mContnent[i].strip()
if '【下載地址】' in award:
break
awards.append(award)
moveInfo['awards']=" ".join(awards)
moveInfo['movie_url'] = url
return moveInfo
# 獲取前n頁所有電影的詳情頁href
def spider():
#連接數據庫
base_url = 'https://www.dy2018.com/html/gndy/dyzz/index_{}.html'
moves = []
m = int(input('請輸入您要獲取的開始頁：'))
n = int(input('請輸入您要獲取的結束頁：'))
print('即將寫入第{}頁到第{}頁的電影信息，請稍後...'.format(m, n))
for i in range(m,n+1):
print('******* 第{}頁電影 正在寫入 ********'.format(i))
if i == 1:
url = "https://www.dy2018.com/html/gndy/dyzz/"
else:
url = base_url.format(i)
moveHref = getHref(url)
print("休息2s後再進行操作")
time.sleep(2)
for index,mhref in enumerate(moveHref):
print('---- 正在處理第{}部電影----'.format(index+1))
move = getPage(mhref)
moves.append(move)
# 將電影信息寫入數據庫
db = pymysql.connect(host='127.0.0.1',user='root', password='123456', port=3306, db='你的數據庫名稱')
table = 'movies'
i = 1
for data in moves:
keys = ', '.join(data.keys())
values = ', '.join(['%s'] * len(data))
sql = 'INSERT INTO {table}(id,{keys}) VALUES (null,{values})'.format(table=table, keys=keys, values=values)
try:
cursor = db.cursor()
cursor.execute(sql, tuple(data.values()))
print('本條數據成功執行!')
if i%10==0:
db.commit()
except Exception as e:
print('將電影信息寫入數據庫發生異常!',repr(e))
db.rollback()
cursor.close()
i = i + 1
db.commit()
db.close()
print('寫入數據庫完成！')
if __name__ == '__main__':
spider()
三.運行測試
1.新建電影信息表
CREATE TABLE `movies` ( `id` bigint(20) NOT NULL AUTO_INCREMENT, `movie_name` varchar(255) DEFAULT NULL, `image_path` varchar(255) DEFAULT NULL, `screenshot` varchar(255) DEFAULT NULL, `translation` varchar(255) DEFAULT NULL, `movie_title` varchar(255) DEFAULT NULL, `movie_age` varchar(50) DEFAULT NULL, `movie_place` varchar(50) DEFAULT NULL, `category` varchar(100) DEFAULT NULL, `language` varchar(100) DEFAULT NULL, `subtitle` varchar(100) DEFAULT NULL, `release_date` varchar(50) DEFAULT NULL, `douban_score` varchar(50) DEFAULT NULL, `file_length` varchar(255) DEFAULT NULL, `director` varchar(100) DEFAULT NULL, `screenwriter` varchar(100) DEFAULT NULL, `stars` mediumtext, `tags` varchar(255) DEFAULT NULL, `introduction` mediumtext, `awards` text, `movie_url` varchar(255) DEFAULT NULL, PRIMARY KEY (`id`) ) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8;
2.代碼運行
打開 collectMovies.py 所在目錄，輸入命令運行：
python collectMovies.py
運行結果如下：
查看數據庫表，數據已成功插入：
四.問題排查和修復
1.空白字符報錯
第一次使用 Python，不太熟悉它的規則，空格和Tab混用，運行會報如下錯：
unindent does not match any outer indentation level
解決方法
下載 Notepad++，選擇 “編輯” – “空白字符操作” – "空格轉 Tab (行首)"即可。
2.請求報錯
修改好格式之後再次運行，反反復復的報請求的錯，報錯信息主要包括以下內容：
ssl.SSLEOFError: EOF occurred in violation of protocol ······ Max retries exceeded with url
解決方法
本來以為是請求設置出瞭問題，各種百度，還安裝瞭 pip install incremental ，但是依然沒有奏效。
後來把請求的網址換成百度網就不報錯瞭，這樣可以定位到是原網址的訪問出瞭問題，更換瞭采集源路徑，該問題解決。
以上就是Python爬蟲實現抓取電影網站信息並入庫的詳細內容，更多關於Python抓取網站信息的資料請關註WalkonNet其它相關文章！
推薦閱讀：
- Python爬蟲之自動爬取某車之傢各車銷售數據
- python爬取豆瓣電影TOP250數據
- Python爬蟲獲取數據保存到數據庫中的超詳細教程(一看就會)
- 用Python爬取2022春節檔電影信息
- python 實現添加標簽&打標簽的操作