摘要：項目簡介豆瓣相信很多人都爬過，我也把我的方法拿出來交流學(xué)習(xí)，我也是菜鳥過來的，不會省略代碼，此教程純屬娛樂，大神勿噴。創(chuàng)建數(shù)據(jù)庫目標(biāo)網(wǎng)頁分析這個教程中，我們需要爬取豆瓣的電影名序號和相應(yīng)的評分。

豆瓣相信很多人都爬過，我也把我的方法拿出來交流學(xué)習(xí)，我也是菜鳥過來的，不會省略代碼，此教程純屬娛樂，大神勿噴。

requests

re

pygal

mysql

Anacond2

# encoding:UTF-8
import re
import requests
import MySQLdb
from bs4 import BeautifulSoup

headers = {"User-Agent" :"Mozilla/5.0 (Windows NT 10.0; Win64; x64)"}


def getPage(get_url):
    r=requests.get(get_url)
    response = r.text
    return response
def filterpage():
    pageCode = getPage(get_url)
    pattern = re.compile("(.*?).*?(.*?).*?(.*?)",re.S)
    items = re.findall(pattern,pageCode)
    pageStories = []
    for item in items:
        pageStories.append([item[0].strip(),item[1].strip(),item[2].strip()])
    return pageStories
def save_data():
    Dbdata=filterpage()
    db=MySQLdb.connect(host="localhost",user="root",passwd="******",db="movie",charset="utf8")
    cursor=db.cursor()
    for a in Dbdata:
        id=a[0]
        name=a[1]
        grade=a[2]
        #comment=a[3]
        value=[id,name,grade]
        cursor.execute("insert into movie_info values(%s,%s,%s)",value)
        db.commit()
def main():
    pageStories=filterpage()
    #print pageStories
    for story in pageStories:
        try:
            print u"序號：",story[0],u"電影名：",story[1], u"	評分：", story[2]
        except:
            pass

if __name__ == "__main__":
    get_url = "https://movie.douban.com/top250/"
    i=1
    while i < 11:
        main()
        save_data()
        print u"頁碼",i
        num = i * 25
        get_url = "https://movie.douban.com/top250?start=" + str(num) + "&filter="
        i = i + 1

install mysql
我是在windows環(huán)境下跑爬蟲的，用的是MySQL5.7，下載地址：https://dev.mysql.com/downloa...

值得一提的是，mysql的安裝，window版的mysql安裝起來說實話還是比較麻煩的，我裝了很久，沒成功，最后選擇下載壓縮版安裝。安裝完之后，在mysql目錄下創(chuàng)建my.ini配置文件，輸入以下代碼：

[mysqld] 
tmpdir=F:mysql-5.7.18-winx64   # 安裝目錄
datadir=F:mysql-5.7.18-winx64data   # data目錄，沒有data目錄請手動創(chuàng)建
early-plugin-load=""
skip-grant-tables

點擊保存，data目錄是mysql初始化會用到的目錄，一般是空目錄，不然初始化不通過。特別是“ 服務(wù)沒有報告任何錯誤。 請鍵入 NET HELPMSG 3534”錯誤。然后添加mysql的環(huán)境路徑。

cmd輸入：

cd F:mysql-5.7.18-winx64in # 進入bin目錄，不然有可能會報錯
mysqld initialize  # 初始化命令
net start mysql    # 啟動服務(wù)

創(chuàng)建數(shù)據(jù)表，我們需要保存的數(shù)據(jù)有ID，評分grade，還有電影名name。

mysql>create database movie   # 創(chuàng)建movie數(shù)據(jù)庫
mysql>use movie # 
mysql>create table movie_info (id varchar(100),name varchar(100),grade decimal(3,1));

這個教程中，我們需要爬取豆瓣top250的電影名、序號和相應(yīng)的評分。F12分析網(wǎng)頁結(jié)構(gòu)。找到有《肖申克的救贖》的代碼處：

1   # 序號
.
.
.      
肖申克的救贖 # 電影名
.
.
.
9.6  # 評分

ok，往后翻，可以看到剩下的都是這類的結(jié)構(gòu)，我們找到規(guī)律了，就可以想辦法，把里面的東西給搞出來。
一般常用的有re模塊和beautifulsoup模塊，我是用re模塊正則匹配，感覺正則更強大一點，漂亮湯模塊用起來簡單，但是速度慢。

def getPage(get_url):            # 定義一個抓取網(wǎng)頁的方法
    r=requests.get(get_url)      # get到目標(biāo)網(wǎng)頁
    response = r.text
    return response              # 返回抓取到的網(wǎng)頁

爬蟲開始爬，就是給web服務(wù)器一個請求，然后抓取到返回信息。

HTTP 請求方法有 OPTIONS、GET、HEAD、post、PUT、DELETE、TRACE、CONNECT，其中比較常用的有g(shù)et和post，其他的都不常見，判斷請求方式很重要。自行百度。

def filterpage():              # 頁面處理方法
    pageCode = getPage(get_url)   #傳參
    pattern = re.compile("(.*?).*?(.*?).*?(.*?)",re.S)
    items = re.findall(pattern,pageCode)
    pageStories = []        # 定義一個空數(shù)組，用來存分離出來的數(shù)據(jù)
    for item in items:      # 迭代
        pageStories.append([item[0].strip(),item[1].strip(),item[2].strip()])# 去除空格
    return pageStories

正則表達式，在程序剛開始，我們導(dǎo)入了python的re模塊，這個模塊專門處理正則匹配，詳細(xì)教程點這里

我們用第一個(.*?)非貪婪匹配來匹配序號，接著用.*?貪婪匹配匹配不需要的代碼，往后同樣用非貪婪匹配來匹配我們需要的信息。

接著用strip()方法去除空格。返回得到的字符串pageStories。

def save_data(): 
    Dbdata=filterpage() #傳參
    db=MySQLdb.connect(host="localhost",user="root",passwd="suyu.123",db="movie",charset="utf8") # 鏈接數(shù)據(jù)庫
    cursor=db.cursor() # 定義游標(biāo)
    for a in Dbdata:   # 迭代存儲數(shù)據(jù)
        id=a[0]
        name=a[1]
        grade=a[2]
        value=[id,name,grade]
        cursor.execute("insert into movie_info values(%s,%s,%s)",value) # sql命令存數(shù)據(jù)
        db.commit()   # 別忘記提交變更

python操作mysql，感覺沒啥好講的了。。

def main():
    pageStories=filterpage()   # 傳參
    for story in pageStories:  # 迭代打印
        try:
            print u"序號：",story[0],u"電影名：",story[1], u"	評分：", story[2]
        except:
            pass

主函數(shù)主要是用來打印出我們抓取的數(shù)據(jù)。

if __name__ == "__main__":
    get_url = "https://movie.douban.com/top250/" # 起始網(wǎng)頁
    i=1
    while i < 11:
        main()                  # 運行主函數(shù)
        save_data()             # 運行存儲函數(shù)
        print u"頁碼",i         # 
        num = i * 25
        get_url = "https://movie.douban.com/top250?start=" + str(num) + "&filter="
        i = i + 1

通過豆瓣top250的頁面分析可以知道，總共有10頁，所以我們設(shè)置i<11，整個豆瓣電影top250的網(wǎng)址很有規(guī)律，第一頁是：https://movie.douban.com/top250，第二頁就是：https://movie.douban.com/top2...，這樣的網(wǎng)頁有規(guī)律，我喜歡，所以我們可以用迭代來表示所有網(wǎng)頁，豆瓣業(yè)界良心啊。

GitHub地址：https://github.com/legolas-ze...

還有剩下的svg統(tǒng)計圖，就下次更新吧。