项目源码
import requests # 发起请求的库from fake_useragent import UserAgent # 构造user-Agent的库import mysql.connector # Python和MySQL连接的库from typing import NoReturn, Tuple # 类型标注的库from lxml import etree # 使用lxml提取html的库import re # Python中的正则表达式库import csv # 写入csv文件的库import time # 程序休眠库class bouban_Top250:def __init__(self):"""初始化"""self.conn = mysql.connector.connect( # 构造和mysql的连接host='localhost',user='root',passwd='123456',port=3307,charset='utf8',database='reptile')self.my_cursor = self.conn.cursor() # 创建油标self.start_id = 1 # 电影id编号self.all_movies_list = [] # 用来存储所有电影信息def send_request(self, url: str) -> str:"""发送get请求，将HTML页面源码返回url:str类型，要请求的链接return：str类型，请求的链接页面的html源码"""# 使用fake_useragent.UserAgent()构造请求头headers = {'user-Agent': UserAgent().Chrome,}# 发起请求response = requests.get(url=url, headers=headers)# 根据状态码来返回HTML页面源码if response.status_code == 200:return response.textelse:print('status_code error')return '-1'def parse_html(self, html: str) -> Tuple[Tuple]:"""解析html源码html:str类型，html页面源码return：Tuple[Tuple]，元组中的每一个元素也是一个元组，每一个元素对应一个电影的所有信息"""# 初始化lxmle = etree.HTML(html, etree.HTMLParser())# 获取li标签列表，每一个li标签中包含一个电影的所有信息li_list = e.xpath('//ol[@class="grid_view"]/li')movies_tuple = []# 遍历每一个li标签，对每一个li标签进行解析for li in li_list:try:name = ''.join(li.xpath('./div/div[@class="info"]/div[@class="hd"]/a/span[@class="title"][1]/text()'))href = ''.join(li.xpath('./div/div[@class="info"]/div[@class="hd"]/a/@href'))performers = ''.join(li.xpath('string(./div/div[@class="info"]/div[@class="bd"]/p[1])'))pattern = pile('\n+|\s+')performers = re.sub(pattern=pattern, repl='', string=performers)score = float(''.join(li.xpath('./div/div[@class="info"]/div[@class="bd"]/div[@class="star"]/span[@class="rating_num"]/text()')))quote = ''.join(li.xpath('./div/div[@class="info"]/div[@class="bd"]/p[@class="quote"]/span/text()'))tem = (self.start_id, name, href, performers, score, quote)movies_tuple.append(tem)print(self.start_id, name, href, performers, score, quote, sep=" ")self.start_id += 1except:continuereturn tuple(movies_tuple)def create_table(self, table_name: str) -> NoReturn:"""在mysql数据库中创建表table_name:str类型，要创建表的表名"""sql_create_table = "create table if not exists {}(\ID int ,\mv_name varchar(50),\href varchar(50),\performers varchar(300),\score decimal(3, 1),\quote varchar(50), \primary key (ID)\) ENGINE=INNODB DEFAULT CHARSET='utf8mb4' COLLATE='utf8mb4_unicode_ci'".format(table_name)self.my_cursor.execute(sql_create_table)def insert_to_mysql(self, table_name: str, movies_tuple: Tuple[Tuple]) -> NoReturn:"""将传入的电影元组中的所有电影插入到表中table_name:str类型，要插入信息的表的表名movies_tuple:Tuple[Tuple]类型，每一个元素也是元组，其中包含一个电影的所有信息"""sql_insert = "insert into {} values (%s, %s, %s, %s, %s, %s)".format(table_name)self.my_cursor.executemany(sql_insert, movies_tuple)mit()def append_to_MV_list(self, movies_tuple: Tuple[Tuple]) -> NoReturn:"""将电影元组中的所有电影添加到所有电影列表movies_tuple:Tuple[Tuple]类型，要加入的电影元组"""for movie in movies_tuple:self.all_movies_list.append(movie)def writer_into_csv(self, file_name: str, movies_tuple: Tuple[Tuple]) -> NoReturn:"""将传入的电影元组中的电影写入csv文件file_name:str类型，要创建的csv文件的文件名movies_tuple:Tuple[Tuple]类型，要写入的电影元组"""headers = ['编号', '电影名称', '电影链接', '演员信息', '豆瓣评分', '引述']with open(file_name, 'w', encoding='utf-8') as f:writer = csv.writer(f)writer.writerow(headers)writer.writerows(movies_tuple)def writer_into_txt(self, file_name: str, movies_tuple: Tuple[Tuple]) -> NoReturn:"""将传入的电影元组写入到txt文件中file_name:str类型，要创建的txt文件名movies_tuple:Tuple[Tuple]类型，要写入的电影元组"""headers = ['编号', '电影名称', '电影链接', '演员信息', '豆瓣评分', '引述']headers = ' '.join(headers)with open(file_name, 'w', encoding='utf-8') as f:f.write(headers+'\n')for movie in movies_tuple:movie = list(movie)movie[0] = str(movie[0])movie[4] = str(movie[4])movie = str(' '.join(movie))f.write(movie+'\n')def get_next_page_url(self, html: str) -> str:"""从html源码中获取下一页的链接html:str类型，获取下一页的html源码return:str类型，构造出来的下一页的url"""e = etree.HTML(html, etree.HTMLParser())url = ''.join(e.xpath('//span[@class="next"]/a/@href'))if url:next_page_url = '/top250{}'.format(url)return next_page_urlelse:return ''if __name__ == '__main__':"""程序入口"""bouban = bouban_Top250()url = '/top250?start=0&filter='bouban.create_table('douban')while url:html = bouban.send_request(url)url = bouban.get_next_page_url(html)movies_tuple = bouban.parse_html(html)bouban.append_to_MV_list(movies_tuple)time.sleep(1)all_movies_tuple = tuple(bouban.all_movies_list)bouban.insert_to_mysql('douban', all_movies_tuple)bouban.writer_into_txt('douban.txt', all_movies_tuple)bouban.writer_into_csv('douban.csv', all_movies_tuple)
准备工作
安装好程序中用到的第三方库安装好mysql,并将mysql的服务打开在__init__方法初始化中，将mysql的用户名和密码、数据库更改为自己的，特别是端口号，因为我的电脑中有两个不同的mysql版本，所以我用的端口号是3307确保自己的电脑有网认真看代码，注释中都写了代码的功能，有一些代码看不懂要去查一查我写本文的日期是.03 ，豆瓣更新反爬虫可能会导致爬取无效！结果展示
心得
re.sub()方法真是坑，它会将替换后的文本返回，不会直接对原来的文本做更改，弄得我花了几十分钟将文本写入txt文件中不会自动换行，还要自己加换行符，害得我又删除->更改->删除…将文本写入txt文件中不指定编码方式会导致乱码，我去你看看下面的结果：a1 = ((1, 2), (3, 4))a2 = (('a', 'b'))a3 = [1, 2]a4 = [(1, 2)]a1 + a4 = ?a4.append(a1) = ?a3 + a4 = ?我又新建了好几个文件来实验，好烦
从编写到完成，我的mysql中的表已经删除了不少于20次
如果觉得《爬取豆瓣TOP250并将数据保存为txt文件和csv文件并存入MySQL数据库》对你有帮助，请点赞、收藏，并留下你的观点哦！
