python豆瓣电影爬虫
Posted 工作在浏览器上人-YangBobin
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了python豆瓣电影爬虫相关的知识，希望对你有一定的参考价值。
python豆瓣电影爬虫
可以爬取豆瓣电影信息，能够将电影信息存进mysql数据库，还能够下载电影预告片。2、3、 4功能使用到selenium库
一个例程运行截图
下载好的电影预告片
MySQL存储的数据
数据表构造
这是程序流程图，详细写明了本爬虫的运行流程
爬虫程序代码
# Author:YFAN import random import requests import lxml.etree from time import sleep import re import pymysql from selenium import webdriver #浏览器请求头 headerlist = [ ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36‘, ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36‘, ‘Mozilla/5.0 (Windows NT 10.0; …) Gecko/20100101 Firefox/61.0‘, ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36‘, ‘Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36‘, ‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36‘, ‘Mozilla/5.0 (Macintosh; U; PPC Mac OS X 10.5; en-US; rv:1.9.2.15) Gecko/20110303 Firefox/3.6.15‘, ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36‘, ‘Mozilla/5.0 (Windows NT 6.1; rv:50.0) Gecko/20100101 Firefox/50.0‘, ‘Mozilla/5.0 (Windows NT 6.3; WOW64; rv:50.0) Gecko/20100101 Firefox/50.0‘, ‘Mozilla/5.0 (X11; Linux x86_64; rv:50.0) Gecko/20100101 Firefox/50.0‘, ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.98 Safari/537.36‘, ‘Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0; Trident/5.0)‘, ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_5) AppleWebKit/602.2.14 (KHTML, like Gecko) Version/10.0.1 Safari/602.2.14‘, ‘Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.71 Safari/537.36‘, ‘Mozilla/5.0 (iPad; CPU OS 10_1_1 like Mac OS X) AppleWebKit/602.2.14 (KHTML, like Gecko) Version/10.0 Mobile/14B100 Safari/602.1‘, ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10.11; rv:49.0) Gecko/20100101 Firefox/49.0‘, ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:50.0) Gecko/20100101 Firefox/50.0‘, ‘Mozilla/5.0 (Windows NT 6.1; WOW64; rv:45.0) Gecko/20100101 Firefox/45.0‘] #---------分 --割 --线 ------------------- #数据库类 #完成数据插入 查询操作 class mysql(): # 查询函数1 def select1(self, str): # 打开数据库连接 db = pymysql.connect("localhost", ‘root‘, ‘yf123457.‘, ‘yf‘) # 获取游标 cursor = db.cursor() # SQL 查询语句 sql = "select * from movie2 where name like ‘%{}%‘".format(str) try: cursor.execute(sql) result = cursor.fetchall()#获取查询内容 print("搜索结果有{}个".format(len(result))) index = 1 for i in result: print(" Index:{}".format(index)) print("豆瓣链接：{}".format(i[10])) print("片名：{}".format(i[0])) print("导演：{}".format(i[1])) print("编剧：{}".format(i[2])) print("主演：{}".format(i[3])) print("类型：{}".format(i[4])) print("上映日期：{}".format(i[5])) print("片长：{}".format(i[6])) print("IMDb：{}".format(i[7])) print("简介： {}".format(i[8])) print("预告片链接：{}".format(i[9])) index += 1 print() except: print("数据查询异常") db.rollback()#回滚 db.close()#关闭数据库连接 # 查询函数2 def select2(self, str): # 打开数据库连接 db = pymysql.connect("localhost", ‘root‘, ‘yf123457.‘, ‘yf‘) # 获取游标 cursor = db.cursor() # SQL 查询语句 sql = "select * from movie2 where type like ‘%{}%‘".format(str) try: cursor.execute(sql) result = cursor.fetchall()#获取查询内容 print("搜索结果有{}个".format(len(result))) index = 1 for i in result: print(" Index:{}".format(index)) print("豆瓣链接：{}".format(i[10])) print("片名：{}".format(i[0])) print("导演：{}".format(i[1])) print("编剧：{}".format(i[2])) print("主演：{}".format(i[3])) print("类型：{}".format(i[4])) print("上映日期：{}".format(i[5])) print("片长：{}".format(i[6])) print("IMDb：{}".format(i[7])) print("简介： {}".format(i[8])) print("预告片链接：{}".format(i[9])) index += 1 print() except: db.rollback() print("数据查询异常") db.close()#关闭数据库连接 #插入函数1 def insert(self,top,moviename,director,writer,actors,type,date,timelong,IMDburl,introduction,tralerurl,movieurl): # 打开数据库连接 db = pymysql.connect("localhost", "root", "yf123457.", "yf") # 使用cursor()方法获取操作游标 cursor = db.cursor() # 电影简介内容出现""双引号 无法直接插入数据表中 需要进行处理 # 使用正则替换，便可以插入数据表中 temp = re.compile(""") text = temp.sub("\"", introduction) #SQL 插入语句 sql = """INSERT INTO movie VALUES ({}, "{}","{}","{}","{}","{}","{}","{}","{}","{}","{}","{}")""" .format(top,moviename, director, writer, actors, type, date, timelong, IMDburl, text, tralerurl, movieurl) # SQL 查询语句 sql2 = "select name from movie where name=‘{}‘".format(moviename) try: # 执行sql语句 cursor.execute(sql2) # 提交到数据库执行 result = cursor.fetchall() if len(result)==0: # 执行sql语句 cursor.execute(sql) # 提交到数据库执行 db.commit() print("数据插入成功") else: print("数据表中记录已存在") except: # 如果发生错误则回滚 db.rollback() # 关闭数据库连接 db.close() #插入函数2 def insert2(self, moviename, director, writer, actors, type, date, timelong, IMDburl, introduction, tralerurl, movieurl): # 打开数据库连接 db = pymysql.connect("localhost", "root", "yf123457.", "yf") # 使用cursor()方法获取操作游标 cursor = db.cursor() # 电影简介内容出现""双引号 无法直接插入数据表中 需要进行处理 # 使用正则替换，便可以插入数据表中 temp = re.compile(""") text = temp.sub("\"", introduction) # SQL 插入语句 sql = """INSERT INTO movie2 VALUES ("{}","{}","{}","{}","{}","{}","{}","{}","{}","{}","{}")""" .format(moviename, director, writer, actors, type, date, timelong, IMDburl, text, tralerurl, movieurl) sql2 = "select name from movie2 where name=‘{}‘".format(moviename) try: # 执行sql语句 cursor.execute(sql2) # 提交到数据库执行 result = cursor.fetchall() if len(result)==0: # 执行sql语句 cursor.execute(sql) # 提交到数据库执行 db.commit() print("数据插入成功") else: print("数据表中记录已存在") except: # 如果发生错误则回滚 db.rollback() # 关闭数据库连接 db.close() #---------分 --割 --线 ------------------- #豆瓣爬虫类 #豆瓣网 [url=https://movie.douban.com/]https://movie.douban.com/[/url] #豆瓣TOP250电影榜 [url=https://movie.douban.com/top250?start=0&filter=]https://movie.douban.com/top250?start=0&filter=[/url] class spider(): path=""#文件下载路径 mysqlflag=True#是否将数据插入数据库 downloadflag=True#是否下载预告片 # 构造函数 设置预告片存储路径 是否下载预告片？ 是否插入数据表？ def __init__(self,path,downloadflag,mysqlflag): self.path=path self.downloadflag=downloadflag self.mysqlflag=mysqlflag #遍历页面 def foreach(self): print() print("豆瓣电影TOP250榜电影") i=0 while i<10: #遍历 #flag 为获取当前页电影链接返回的值 如果为1则遍历下一页 不为1继续遍历本页 flag=self.foreachpPageurl(i) if flag==1: i+=1 else: print("重新访问当前页") # 获取当前页电影链接 def foreachpPageurl(self, page): url = "https://movie.douban.com/top250?start={}&filter=".format(page * 25) header = dict() header["user-agent"] = random.choice(headerlist) try: #通过requests.get()方法 获取网页信息 r = requests.get(url, headers=header) r.raise_for_status()#网页状态码 200 2开头表示正常 4或5开头的抛出异常 #使用lxml将网页的源码转换成xml，然后使用xpath（）进行xml解析 xml = lxml.etree.HTML(r.text) #获取xml下类名为hd的div标签下的所有a标签的href属性 href装着电影链接url a = xml.xpath("//div[@class=‘hd‘]/a/@href") i = 0 count = page * 25 + 1 while i < (len(a)): print("TOP {}".format(count)) #遍历当前页面的所有电影链接 flag = self.getMovieMessage(count, a[i],0) sleep(3) # 休息两秒 应付反爬 if flag == 1: i += 1 count += 1 print("") else: print("重新获取电影详细信息") return 1 except: print("当前页无法访问！") return 0 #搜索豆瓣电影 def seachMovie(self,name): chrome_path = ‘C:/Program Files (x86)/Google/Chrome/Application/chromedriver.exe‘ # os.environ[‘webdriver.chrome.driver‘] = chrome_path#设置系统环境变量 drive = webdriver.Chrome(chrome_path) # 打开谷歌浏览器 # 打开一个网址 drive.get(‘https://movie.douban.com/subject_search?search_text={}&cat=1002‘.format(name)) try: #通过xpath查找网页标签 drive.implicitly_wait(3) # 等待3秒 a = drive.find_element_by_xpath(‘//*[@id="root"]/div/div[2]/div[1]/div[1]/div[1]/div[1]/a‘) url = a.get_attribute(‘href‘) a.click()#点击连接 #获取电影详细信息 self.getMovieMessage(0,url,1) drive.implicitly_wait(5) # 等待5秒 except: print("error") #drive.close()#关闭页面 #最新上映电影 def LatestReleases(self): chrome_path = ‘C:/Program Files (x86)/Google/Chrome/Application/chromedriver.exe‘ # os.environ[‘webdriver.chrome.driver‘] = chrome_path#设置系统环境变量 drive = webdriver.Chrome(chrome_path) # 打开谷歌浏览器 drive.get(‘https://movie.douban.com/‘) # 打开一个网址 try: #等待3秒 给予时间给浏览器加载javascript drive.implicitly_wait(3) # 通过xpath查找网页标签 a = drive.find_elements_by_xpath(‘//*[@id="screening"]/div[2]/ul/li/ul/li[1]/a‘) #定义一个集合 用来存储最新上映电影链接地址 s = set() for i in a: s.add(i.get_attribute("href")) print("最新上映的电影有{}个".format(len(s))) l=list(s)#set转为list drive.implicitly_wait(3) # 等待3秒 for i in range(len(l)): print() print("第{}个".format(i+1)) # 获取电影详细信息 self.getMovieMessage(i+1,l[i],1) print() except: print("error") # drive.close()#关闭页面 #最近热门电影 def recentot(self): chrome_path = ‘C:/Program Files (x86)/Google/Chrome/Application/chromedriver.exe‘ # os.environ[‘webdriver.chrome.driver‘] = chrome_path#设置系统环境变量 drive = webdriver.Chrome(chrome_path)#打开谷歌浏览器 drive.get( ‘https://movie.douban.com/‘ )#打开一个网址 try: # 等待3秒 给予时间给浏览器加载javascript drive.implicitly_wait(3) # 通过xpath查找网页标签 a=drive.find_elements_by_xpath(‘//*[@id="content"]/div/div[2]/div[4]/div[3]/div/div[1]/div/div//a‘) # 定义一个集合 用来存储最近热门电影链接地址 s= set() for i in a: s.add(i.get_attribute("href")) l=list(s)#set转为list print("最近热门电影有{}个".format(len(l))) for i in range(len(l)): print() print("第{}个".format(i+1)) #获取电影详细信息 self.getMovieMessage(0,l[i],1) print() drive.implicitly_wait(3)#等待3秒 except: print("error") # drive.close()#关闭浏览器 # 获取电影详细信息 def getMovieMessage(self, top, url,insertflag):#其中flag 用来决定插入哪个数据表 movie或movie2 用来判断使用哪一个数据库插入函数 print("豆瓣电影链接:{}".format(url)) header = dict() #获取请求头的user-agent字典，应付反爬处理 header["user-agent"] = random.choice(headerlist)#通过random.choice随机抽取一个user-agent director = ‘‘ # 导演 writer = ‘‘ # 编剧 actors = ‘‘ # 主演 type = ‘‘ # 类型 date = ‘‘ # 上映时间 timelong = ‘‘ # 时长 IMDb = ‘‘ # IMDb链接 text = ‘‘ # 简介 video = ‘‘ # 预告片 try: #通过requests.get获取url链接 r = requests.get(url, headers=header) r.raise_for_status()#网页状态码 200 xml = lxml.etree.HTML(r.text)#将网页源码转为xml 用lxml库进行解析 # 获取电影名 n = xml.xpath("//div[@id=‘content‘]/h1/span")#通过xpath获取网页标签 name = n[0].text + n[1].text print("片名:{}".format(name)) div1 = xml.xpath("//div[@id=‘info‘]//span[@class=‘attrs‘]") for i in range(len(div1)): if i == 0: #获取电影导演 x1 = div1[0].xpath("a") for i in x1: director += i.text + " " elif i == 1: #获取电影编剧 x2 = div1[1].xpath("a") for i in x2: writer += i.text + " " elif i == 2: #获取电影的前几个主演 x3 = div1[2].xpath("a") for i in range(5): if i >= len(x3): break actors += x3[i].text + " " # 以上这么写原因：有些电影无编剧 无主演 健壮代码 print("导演:{}".format(director)) print("编剧:{}".format(writer)) print("主演:{}".format(actors)) # 获取电视;类型 x4 = xml.xpath("//span[@property=‘v:genre‘]") for i in x4: type += i.text + " " print("类型:{}".format(type)) # 获取电视上映日期 x5 = xml.xpath("//span[@property=‘v:initialReleaseDate‘]") for i in x5: date += i.text + " " print("上映日期:{}".format(date)) # 获取电影片长 x6 = xml.xpath("//span[@property=‘v:runtime‘]") for i in x6: timelong += i.text + ‘ ‘ print("片长:{}".format(timelong)) #获取电影的IMDb链接 div2 = xml.xpath("//div[@id=‘info‘]/a/@href") if len(div2)!=0: IMDb = div2[0] print("IMDb链接:{}".format(IMDb)) #获取电影简介 x7 = xml.xpath("//span[@property=‘v:summary‘]/text()") for i in range(len(x7)): text += " " + x7[i].strip() if i < len(x7) - 1: text += ‘ ‘ print("简介: {}".format(text)) #获取预告片链接 video = xml.xpath("//a[@title=‘预告片‘]/@href") if len(video) >= 1: print("预告片链接:{}".format(video[0])) while True: sleep(2) # 休息2秒 #前往预告片链接页面，获取预告片的播放地址，实现下载预告片功能 flag = self.getMovieTrailer(name, video[0]) if flag == 1: #下载成功后，数据库插入数据 #根据myusql来决定是否将数据插入数据表中 if self.mysqlflag: if insertflag==0: #将电影详细信息插入数据库 mysql().insert(top, name,director,writer,actors,type,date,timelong,IMDb,text,video[0],url) elif insertflag == 1: mysql().insert2(name,director,writer,actors,type,date,timelong,IMDb,text,video[0],url) return 1 else: print("重新获取电影预告片") else: #有些电影没有预告片，数据库插入数据 # 根据myusql来决定是否将数据插入数据表中 print("该电影找不到预告片") if self.mysqlflag: if insertflag==0: #执行插入函数1 mysql().insert(top, name, director, writer, actors, type, date, timelong, IMDb, text,"", url) elif insertflag==1: #执行插入函数2 mysql().insert2(name, director, writer, actors, type, date, timelong, IMDb, text, "", url) return 1 except: print("无法访问电影详细信息") return 0 # 获取电影预告片 def getMovieTrailer(self, name, url): header = dict() header[‘user-agent‘] = random.choice(headerlist) try: r = requests.get(url, headers=header) xml = lxml.etree.HTML(r.text) #预告片页面使用了javascript特性，预告片url地址藏在了<script></script>内 #获取到指定的script标签后，对script标签下代码转换成字符串后进行字符串处理 #处理后便可以获取到预告片的实际播放地址url #获取url后便可以进行下载操作，获取不到返回0表示该电影没有预告片 script = xml.xpath("//script[@type=‘application/ld+json‘]/text()") str1 = str(script) start = str1.find("http://vt1") end = str1.find(".mp4") result = str1[start:end + 4] #根据downloadflag开关来决定是否下载预告片 if self.downloadflag : while True: sleep(2) # 休息2秒 # 下载预告片 flag = self.download(name, result) if flag == 1: return 1 else: print("下载失败，重新下载") else: return 1 except: print("无法获取电影预告片") return 0 # 下载预告片 def download(self, name, url): header = dict() header[‘user-agent‘] = random.choice(headerlist) try: r = requests.get(url, headers=header, timeout=30) # 处理一下文件名 有些电影名中带 /*:"?<>| ，windows中的文件名是不能有这些字符 NAME = ‘‘ for i in range(len(name)): if name[i] not in ‘/*:"?<>|‘: NAME += name[i] else: NAME += "" filename = self.path + ‘\‘ + NAME + ".mp4"#预告片路径 print("保存路径:{}".format(filename)) #通过二进制写入文件 with open(filename, ‘wb‘) as f: f.write(r.content) f.close()#关闭流 print("下载成功") return 1 except: print("下载电影预告片失败") return 0 #--------------------------- #----------------分割线----------- #菜单函数 def menu(): print("""------------------主-----菜-----单-------------------------- 1 豆瓣电影TOP250榜电影 2 豆瓣电影最新上映电影 3 豆瓣电影最近热门电影 4 豆瓣电影动态搜索电影 5 查询数据库中电影信息 0 退-出-爬-虫 """) try: i=int(input("输入操作（0-5）：")) if i < 0 or i > 5: print("操作有误，重新操作") return 1 if i == 0: return 0 if i == 5: return menu2()#次级带单2 s = menu1()#次级菜单1 if s != 0: if i == 1: s.foreach()#执行豆瓣电影TOP250榜遍历函数 elif i == 2: s.LatestReleases()#获取豆瓣最新上映电影 elif i == 3: s.recentot()#获取豆瓣最近热门电影 elif i == 4: s.seachMovie(input("输入电影关键词："))#豆瓣搜索电影 else: print("操作有误，重新操作") return 1 return 1 except: print("输入有误，请按规定输入数字") #二级菜单1 获取spider爬虫类对象 def menu1(): print("""------------------次---级---菜---单----------------------- 1 不下载电影预告片，数据库不存储电影信息 2 下载电影预告片，数据库存储电影信息 3 数据库只存储电影信息 4 只下载电影预告片 """) try: i = int(input("输入操作（1-4）：")) if i == 1: return spider("", False, False)#返回一个spider类对象 elif i == 2: return spider(input("输入预告片存储路径："), True, True)#返回一个spider类对象 elif i == 3: return spider("", False, True) elif i == 4: return spider(input("输入预告片存储路径："), True, False)#返回一个spider类对象 else: print("操作有误，返回上一级") return 0 except: print("输入有误，请按规定输入数字") return 0 #二级菜单2 查询数据库电影信息 def menu2(): m=mysql() print("""------------------次---级---菜---单----------------------- 1 电影名查询 2 类型查询 """) try: i=int(input("输入操作（1-2）：")) except: print("输入有误，请按规定输入数字") return 0 try: if i==1: m.select1(input("输入查询电影名关键字：")) elif i==2: m.select2(input("输入查询电影类型关键字：")) else: print("操作有误，返回上次菜单") return 1 except: print("查询异常") return 0 # ----------------分----割----线----------- #主函数 if __name__ == ‘__main__‘: while True: print() flag=menu()# if flag==0:break sleep(3)
以上是关于python豆瓣电影爬虫的主要内容，如果未能解决你的问题，请参考以下文章
Python爬虫编程思想（87）：项目实战--抓取豆瓣电影排行榜