（轉）Python3爬取豆瓣電影保存到MySQL數據庫

48行代碼實現Python3爬取豆瓣電影排行榜
代碼基於python3，用到的類庫有:

標題文字

requests:經過僞造請求頭或設置代理等方式獲取頁面內容，參考文檔
BeautifulSoup:對頁面進行解析，提取數據，參考文檔
PyMySQL:python3版本中用於操做MySQL數據庫，python2中則使用mysqldb，Github

pip安裝用到的幾個類庫:

pip install requests
pip install bs4
pip install pymysql
分析豆瓣電影頁面
頁面分析:
爬取數據以前，咱們都須要對頁面進行分析，看咱們能夠從中提取到哪些數據，從下圖咱們看到豆瓣電影top250的頁面結構，咱們能夠從中提取出排行榜(rank)、電影名字(name)、電影詳情頁連接(link)、電影海報(poster)、電影評分(score)、電影評論(quote)等，我在圖中進行了標註

URL分析:
經過點擊分頁咱們能夠發現URL的格式爲:https://movie.douban.com/top2...
其中num表示25的倍數的數字，最小是0也就是第一頁，最大爲225也就是最後一頁，這能夠做爲咱們爬取頁面的限制條件，filter爲過濾條件這裏可不用管

代碼
引入類庫:

import pymysql
import requests
from bs4 import BeautifulSoup
定義爬取連接，%d用做數字佔位:

baseUrl = "https://movie.douban.com/top250?start=%d&filter="
定義爬取數據方法:

def get_movies(start):

url = baseUrl % start   # 拼接爬取連接
lists = []              # 存儲此頁面的電影數據
html = requests.get(url)    # requests請求頁面內容，因爲豆瓣沒有限制爬取，因此不用設置僞請求頭
soup = BeautifulSoup(html.content, "html.parser")   # BeautifulSoup解析頁面內容
items = soup.find("ol", "grid_view").find_all("li") # 獲取全部的電影內容
for i in items:
    movie = {}      # 臨時存取電影的數據
    movie["rank"] = i.find("em").text   # 電影排行榜
    movie["link"] = i.find("div","pic").find("a").get("href")   # 電影詳情頁連接
    movie["poster"] = i.find("div","pic").find("a").find('img').get("src")  # 電影海報地址
    movie["name"] = i.find("span", "title").text    # 電影名字
    movie["score"] = i.find("span", "rating_num").text  # 電影評分
    movie["quote"] = i.find("span", "inq").text if(i.find("span", "inq")) else "" # 某些電影沒有點評，沒有就設爲空
    lists.append(movie) # 保存到返回數組中
return lists

鏈接數據庫並建立數據表:

鏈接數據庫，需指定charset不然可能會報錯

db = pymysql.connect(host="localhost",user="root",password="root",db="test",charset="utf8mb4")
cursor = db.cursor() # 建立一個遊標對象
cursor.execute("DROP TABLE IF EXISTS movies") # 若是表存在則刪除

建立表sql語句

createTab = """CREATE TABLE movies(

id INT NOT NULL AUTO_INCREMENT PRIMARY KEY,
name VARCHAR(20) NOT NULL,
rank VARCHAR(4) NOT NULL,
link VARCHAR(50) NOT NULL,
poster VARCHAR(100) NOT NULL,
score VARCHAR(4) NOT NULL,
quote VARCHAR(50)

)"""
cursor.execute(createTab) # 執行建立數據表操做
......
db.close() # 關閉數據庫
將提取到的數據存儲到數據表中:

lists = get_movies(start) # 獲取提取到數據

for i in lists:
    # 插入數據到數據庫sql語句，%s用做字符串佔位
    sql = "INSERT INTO `movies`(`name`,`rank`,`link`,`poster`,`score`,`quote`) VALUES(%s,%s,%s,%s,%s,%s)"
    try:
        cursor.execute(sql, (i["name"], i["rank"], i["link"], i["poster"], i["score"], i["quote"]))
        db.commit()
        print(i[0]+" is success")
    except:
        db.rollback()
start += 25

完整代碼:

import pymysql
import requests
from bs4 import BeautifulSoup
baseUrl = "https://movie.douban.com/top250?start=%d&filter="
def get_movies(start):

url = baseUrl % start
lists = []
html = requests.get(url)
soup = BeautifulSoup(html.content, "html.parser")
items = soup.find("ol", "grid_view").find_all("li")
for i in items:
    movie = {}
    movie["rank"] = i.find("em").text
    movie["link"] = i.find("div","pic").find("a").get("href")
    movie["poster"] = i.find("div","pic").find("a").find('img').get("src")
    movie["name"] = i.find("span", "title").text
    movie["score"] = i.find("span", "rating_num").text
    movie["quote"] = i.find("span", "inq").text if(i.find("span", "inq")) else ""
    lists.append(movie)
return lists

if name == "__main__":

db = pymysql.connect(host="localhost",user="root",password="root",db="test",charset="utf8mb4")