首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >bs4爬虫实战三:获取电影信息并存入mysql数据库

bs4爬虫实战三:获取电影信息并存入mysql数据库

作者头像
py3study
发布2020-01-20 11:22:17
1.4K0
发布2020-01-20 11:22:17
举报
文章被收录于专栏:python3python3python3

目标分析

这次爬虫的目标网站是:http://dianying.2345.com,爬虫的搜索目标仅限于今年的电影,在网站打开搜索,在年代中选择2018

blob.png
blob.png

获取页面的过程

在页面的下方单击"下一页",发现URL变成了http://dianying.2345.com/list/----2018---2.html.

测试一下http://dianying.2345.com/list/----2018---1.html,可以正常返回,urls的变化规律找到了,设置一个变量,让这个变量+1,在拼接url地址,就是下一个页面的地址.

在来看看总共有多少页呢?如下图

blob.png
blob.png

总页数也找到了,最后只需要找到爬虫的过滤规则就可以了,单击页面空白处,在弹出菜单中选择"查看网页源代码"选项,查看页面源代码,如下图:

blob.png
blob.png

直接找<li>标签就可以了,先找<ul>标签,然后再嵌套查找<li>标签就行,更加精确,现在爬虫所有的要素都已准备完毕,可以构造爬虫了

项目实施

新建一个get2018movie.py的内容如下:

#!/usr/bin/env python
# coding: utf-8
from bs4 import BeautifulSoup
import urllib.request
from mylog import MyLog as mylog
from save2mysql import SaveMysql


class MovieItem(object):
    moviename = None      # 电影名
    moviescore = None     # 电影得分
    moviestarring = None  # 电影主演


class GetMovie(object):
    def __init__(self):
        self.urlBase = 'http://dianying.2345.com/list/----2018---1.html'
        self.log = mylog()
        self.pages = self.getpages()
        self.urls = []
        self.items = []
        self.getUrls(self.pages)
        self.spider(self.urls)
        self.piplines(self.items)
        self.log.info('保存到mysql中开始')
        SaveMysql(self.items)
        self.log.info('保存到mysql中结束')

    def getpages(self):
        # 获取总页数,返回一个int类型给调用者
        self.log.info('开始获取页数')
        htmlcontent = self.getResponseContent(self.urlBase)
        soup = BeautifulSoup(htmlcontent, 'lxml')
        tag = soup.find('div', attrs={'class': 'v_page'})
        subTags = tag.find_all('a')
        self.log.info('获取数据成功')
        return int(subTags[-2].get_text())

    def getResponseContent(self, url):
        # 读取网页内容,并返回给调用者
        fakeHeaders = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like 
        Gecko) Chrome/67.0.3396.62 Safari/537.36'}
        request = urllib.request.Request(url, headers=fakeHeaders)
        try:
            response = urllib.request.urlopen(request)
            html = response.read().decode('gbk')
        except Exception as e:
            self.log.error('Python 返回URL:{} 数据失败'.format(url))
        else:
            self.log.info('Python 返回URL:{} 数据成功'.format(url))
            return html

    def getUrls(self, pages):
        # 找到所有下一页的url地址,返回一个urls列表
        urlHead = 'http://dianying.2345.com/list/----2018---'
        urlEnd = '.html'
        for i in range(1, pages+1):
            url = urlHead + str(i) + urlEnd
            self.urls.append(url)
            self.log.info('添加URL:{}到URLS列表'.format(url))

    def spider(self, urls):
        # 过滤信息
        for url in urls:
            htmlcontent = self.getResponseContent(url)
            soup = BeautifulSoup(htmlcontent, 'lxml')
            anchorTag = soup.find('ul', attrs={'class': 'v_picTxt pic180_240 clearfix'})
            # 爬取的时候,发现有个反爬机制,需要排除掉,不然程序爬到那里会报错
            # 找到广告这个li标签
            fanpa = anchorTag.find('li', attrs={'class': 'item-gg'})
            tags = anchorTag.find_all('li')
            if fanpa in tags:  # 判断广告在不在需要爬取的列表
                tags.remove(fanpa)  # 移除掉广告
                for tag in tags:
                    item = MovieItem()
                    item.moviename = tag.find('span', attrs={'class': 'sTit'}).get_text().strip()
                    item.moviescore = tag.find('span', attrs={'class':'pRightBottom'}).em.get_text().
                    strip().replace('分', '')
                    item.moviestarring = tag.find('span', attrs={'class': 'sDes'}).get_text().strip().
                    replace('主演:', '')
                    self.items.append(item)
                    self.log.info('获取电影名为:《{}》成功'.format(item.moviename))

    def piplines(self, items):
        # 数据处理
        filename = '2018热门电影.txt'
        with open(filename, 'w', encoding='utf-8') as f:
            for item in items:
                f.write("{}\t\t{}\t\t{}\r\n".format(item.moviename, item.moviescore, item.moviestarring))
                self.log.info('电影名为:《{}》已成功存入文件{}...'.format(item.moviename, filename))


if __name__ == '__main__':
    GM = GetMovie()

mylog.py代码:

#!/usr/bin/env python
# coding: utf-8
import logging
import getpass
import sys


# 定义MyLog类
class MyLog(object):
    def __init__(self):
        self.user = getpass.getuser()  # 获取用户
        self.logger = logging.getLogger(self.user)
        self.logger.setLevel(logging.DEBUG)

        # 日志文件名
        self.logfile = sys.argv[0][0:-3] + '.log'  # 动态获取调用文件的名字
        self.formatter = logging.Formatter('%(asctime)-12s %(levelname)-8s %(message)-12s\r\n')

        # 日志显示到屏幕上并输出到日志文件内
        self.logHand = logging.FileHandler(self.logfile, encoding='utf-8')
        self.logHand.setFormatter(self.formatter)
        self.logHand.setLevel(logging.DEBUG)

        self.logHandSt = logging.StreamHandler()
        self.logHandSt.setFormatter(self.formatter)
        self.logHandSt.setLevel(logging.DEBUG)

        self.logger.addHandler(self.logHand)
        self.logger.addHandler(self.logHandSt)

    # 日志的5个级别对应以下的5个函数
    def debug(self, msg):
        self.logger.debug(msg)

    def info(self, msg):
        self.logger.info(msg)

    def warn(self, msg):
        self.logger.warn(msg)

    def error(self, msg):
        self.logger.error(msg)

    def critical(self, msg):
        self.logger.critical(msg)


if __name__ == '__main__':
    mylog = MyLog()
    mylog.debug(u"I'm debug 中文测试")
    mylog.info(u"I'm info 中文测试")
    mylog.warn(u"I'm warn 中文测试")
    mylog.error(u"I'm error 中文测试")
    mylog.critical(u"I'm critical 中文测试")

如果想要存入mysql数据库,需要先把数据库,表和表结构创建好,还需要知道库名,ip地址,端口,账号和密码

mysql上面的操作,准备工作

mysql> create database bs4DB;
Query OK, 1 row affected (0.06 sec)

mysql> use bs4DB;
Database changed

mysql> create table this_year_movie(id int auto_increment,moviename char(30),moviescore char(10),moviestarri
ng char(40), PRIMARY KEY(id)) ENGINE=InnoDB DEFAULT CHARSET=utf8;
Query OK, 0 rows affected (0.61 sec)

mysql> desc this_year_movie;
+---------------+----------+------+-----+---------+----------------+
| Field         | Type     | Null | Key | Default | Extra          |
+---------------+----------+------+-----+---------+----------------+
| id            | int(11)  | NO   | PRI | NULL    | auto_increment |
| moviename     | char(30) | YES  |     | NULL    |                |
| moviescore    | char(10) | YES  |     | NULL    |                |
| moviestarring | char(40) | YES  |     | NULL    |                |
+---------------+----------+------+-----+---------+----------------+
4 rows in set (0.00 sec)

mysql> use mysql;
Reading table information for completion of table and column names
You can turn off this feature to get a quicker startup with -A

Database changed
mysql> create user 'savemysql'@'%' identified by 'savemysql123';  #创建mysql连接账号密码
Query OK, 0 rows affected (0.12 sec)

mysql> grant all privileges  on bs4DB.* to "savemysql"@'%';  # 授权savemysql只能操作bs4DB数据库
Query OK, 0 rows affected (0.00 sec)

mysql> flush privileges;
Query OK, 0 rows affected (0.07 sec)

如果没有安装pymysql,先pip3 install pymysql

新建一个save2mysql.py文件

#!/usr/bin/env python
# coding: utf-8
import pymysql


class SaveMysql(object):
    def __init__(self, items):
        self.host = '192.168.11.88'  # mysql服务器ip地址
        self.port = 3306  # mysql服务端的端口
        self.user = 'savemysql'  # mysql服务器用户名
        self.passwd = 'savemysql123'  # mysql服务器密码
        self.db = 'bs4DB'  # 使用的库名
        self.run(items)

    def run(self, items):
        conn = pymysql.connect(host=self.host,
                               user=self.user,
                               password=self.passwd,
                               port=self.port,
                               database=self.db,
                               charset='utf8',
                               )
        cur = conn.cursor()
        for item in items:
            cur.execute("insert into this_year_movie(moviename, moviescore, moviestarring) \
              values (%s, %s, %s)", (item.moviename, item.moviescore, item.moviestarring))
        cur.close()
        conn.commit()
        conn.close()


if __name__ == '__main__':
    pass

运行程序:

blob.png
blob.png

2018热门电影.text截图

blob.png
blob.png

登陆到mysql查看一下数据是否成功插入

mysql> use bs4DB;
Reading table information for completion of table and column names
You can turn off this feature to get a quicker startup with -A

Database changed
mysql> show tables;
+-----------------+
| Tables_in_bs4DB |
+-----------------+
| this_year_movie |
+-----------------+
1 row in set (0.00 sec)

mysql> select * from this_year_movie;

查询结果:

blob.png
blob.png
本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2018-07-12 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
云数据库 SQL Server
腾讯云数据库 SQL Server (TencentDB for SQL Server)是业界最常用的商用数据库之一,对基于 Windows 架构的应用程序具有完美的支持。TencentDB for SQL Server 拥有微软正版授权,可持续为用户提供最新的功能,避免未授权使用软件的风险。具有即开即用、稳定可靠、安全运行、弹性扩缩等特点。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档