我是写了一个py文件来封装一下,然后在爬取猫眼的py文件里直接调用,需要使用到pymysql库, 没有安装这个库的同学要事先安装一下,这里直接上代码
#coding=utf-8
import pymysql
class mysqlConn:
def get_conn(self, dbname):
"""提供你要连接的数据库名,并连接数据库"""
self.conn = pymysql.connect(
host="127.0.0.1",
user="root",
password="你的密码",
db=dbname, #可选择要连接的数据库名
charset="utf8"
)
self.cur = self.conn.cursor()
def exe_sql(self, sql):
"""执行不返回结果的sql语句, 例如增删改"""
self.cur.execute(sql)
self.conn.commit()
# print("事物提交成功")
def select_sql(self, sql):
"""执行查询语句"""
self.cur.execute(sql)
return self.cur.fetchall()
def close_conn(self):
if self.cur:
self.cur.close()
if self.conn:
self.conn.close()
if __name__ == "__main__":
#找一个数据库表来执行一下看能不能行
connection = mysqlConn()
connection.get_conn("school") #连接'school'数据库
sql = '''insert into student2 (name, nickname) values ("赵六", "六娃")'''
connection.exe_sql(sql)
connection.close_conn()
注意文件开头有个#coding=utf-8,不写会提示一个小报错,以前都没写这个的习惯,看来以后要习惯写了
来看看结果
猫眼电影网站地址: https://maoyan.com/films?showType=3
先来看最后的数据库,看看我们要抓取哪些信息
从图上可以看出我们要抓取电影名字, 电影海报的链接, 电影详情页的链接, 电影的介绍,以及演员表.
现在看猫眼首页
从这里我们已经能发现他网址变换的规律了
再抓取第一页的网址里不同电影的信息
先看海报地址
这里用了一个抓xpath的插件工具(XPath Helper),没有的同学可以去谷歌应用商店下载,安装之后按快捷键Ctrl+Shift+X就可以快速使用了
ok,现在电影首页的内容需要的两个内容已经抓取完毕,剩下的内容需要到详情页来抓取,我们先写一段首页抓取的代码来看看效果
#coding=utf-8
import requests
from lxml import etree
from fake_useragent import UserAgent
# 这里用了一个可以随机模拟请求头的库,因为一天内爬太多次导致频繁要验证,用随意模拟的请求头会好很多
# 感兴趣的小伙伴可以自己'pip install fake_useragent', 不感兴趣可以直接用普通的请求头
headers = {
"User-Agent": UserAgent().random
}
url = 'https://maoyan.com/films?showType=3'
print("url: " + url)
resp = requests.get(url=url, headers=headers)
tree = etree.HTML(resp.text)
# 完整的图片地址,可以直接打开
img_ar = tree.xpath('//dl/dd//img[2]/@src')
# 只有地址的后半段,需要拼接'https://maoyan.com/'
urls_ar = tree.xpath('//dd/div[@class="movie-item film-channel"]/a/@href')
#打印出来看看数据爬到没有
print(img_ar)
print(urls_ar)
发现详情页地址抓到了,图片地址没抓到???真是原地裂开,到这里我也懵逼了一阵,以为是自己xpath没写对,那看来现在只能debug了,咱先打个断点
那现在我们将抓取图片的xpath改为’//dl/dd//img[2]/@data-src’再来试试,发现已经能成功抓取
现在我们来抓取详情界面信息的演员表
其中电影名字和简介都比较好抓,我就不截图了,一会一直贴xpath,你可以自己抓一抓
这里你可以尝试下其他写法,就不多重复了
爬取详情页的代码
headers = {
"User-Agent": UserAgent().random
}
url = 'https://maoyan.com/films/1218029'
print("url: " + url)
resp = requests.get(url=url, headers=headers)
tree = etree.HTML(resp.content.decode("utf-8"))
name = str(tree.xpath('string(//h1)')) #转为py内置的str类型,保险点
print("正在储存电影......".format(name))
actors_ar = tree.xpath('//div[@class="celebrity-group"][2]//li/div[@class="info"]/a/text()') # 演员列表
types = tree.xpath('string(//li[@class="ellipsis"])').replace("\n", "").replace(" ", "") # 字符串
intro = str(tree.xpath('string(//span[@class="dra"])'))
actors = '|'.join(actors_ar).replace("\n", "").replace(" ", "") #将演员列表拼接为字符串
结果你们可以自己去打印一下,如果没有遇到验证码就能爬到了
最后的抓取猫眼电影的全部代码,封装成类,养成良好的代码习惯
import requests
from lxml import etree
from mysql_api import mysqlConn
from fake_useragent import UserAgent
from pymysql import err
class maoYan_spider:
headers = {
"User-Agent": UserAgent().random
}
def get_urls(self, url):
"""返回一个电影首页捕获到的所有海报地址和电影详情url"""
print("url: " + url)
resp = requests.get(url=url, headers=self.headers)
tree = etree.HTML(resp.text)
# 完整的图片地址,可以直接打开
img_ar = tree.xpath('//dl/dd//img[2]/@data-src')
# 只有地址的后半段,需要拼接'https://maoyan.com'
urls_ar = tree.xpath('//dd/div[@class="movie-item film-channel"]/a/@href')
#只有py具有返回多个参数的特性,其他语言只能返回一个
return img_ar, urls_ar
def save_data(self, img_src, url):
"""将电影详情写入数据库"""
#print("url: " + url)
resp = requests.get(url=url, headers=self.headers)
tree = etree.HTML(resp.content.decode("utf-8"))
name = str(tree.xpath('string(//h1)'))
print("正在储存电影......".format(name))
if name == "":
print("遇到验证码, 程序停止")
return False
actors_ar = tree.xpath('//div[@class="celebrity-group"][2]//li/div[@class="info"]/a/text()') # 演员列表
types = tree.xpath('string(//li[@class="ellipsis"])').replace("\n", "").replace(" ", "") # 字符串
intro = str(tree.xpath('string(//span[@class="dra"])'))
actors = '|'.join(actors_ar).replace("\n", "").replace(" ", "") #将演员列表拼接为字符串
sql = 'insert into maoyan (m_name, m_type, m_src, m_link, m_intro, m_actors) values ("%s","%s","%s","%s","%s","%s")' % (name, types, img_src, url, intro, actors)
try:
self.connect.exe_sql(sql)
except err.ProgrammingError:
print("该条编码有问题,舍弃")
return True
def run(self):
self.connect = mysqlConn()
self.connect.get_conn("movies")
tag = True
#爬取前两页的电影
for i in range(2):
main_url = "https://maoyan.com/films?showType=3&offset={}".format(30 * i)
imgs, urls = self.get_urls(main_url)
if len(imgs) == 0:
print("遇到验证码, 程序停止")
print("再次尝试...")
imgs, urls = self.get_urls(main_url)
for img, url in zip(imgs, urls):
img = img.split('@')[0]
url = 'https://maoyan.com' + url
tag = self.save_data(img, url)
while not tag:
tag = True
print("再次尝试...")
tag = self.save_data(img, url)
self.connect.close_conn()
if __name__ == "__main__":
# conn1 = mysqlConn()
# conn1.get_conn("movies")
# sql = """create table maoyan(
# m_id int primary key auto_increment,
# m_name varchar(30) not null,
# m_type varchar(20) null,
# m_src varchar(100) not null,
# m_link varchar(100) not NULL,
# m_intro text null,
# m_actors text null
# )default charset = utf8"""
# conn1.exe_sql(sql)
# conn1.close_conn()
spider = maoYan_spider()
spider.run()
这是我连接数据库文件和爬取文件的位置,大概在同一个目录下就行了,你可以写在和同一个抓电影同一个页面下然后’from .mysql_api import mysqlConn’
这一段代码是建表的,前提是你要先自己在mysql里建好movies数据库
然后把这一段解除注释,把前面两行代码先注释了,然后运行,运行之后会有一个字符集编码警告,这个不打紧,运行结束你就可以注释掉这一段代码,然后将下面两行解除注释,开始爬虫,当然你也可以在数据库里先建好表,我是因为之前只用py写过增删改查,就想试试建表,不要问我为什么m_actors给了text类型,原本给了varchar(200),后来提示不够写,改成400还不够,我就去看了看是谁演员这么多—复联
这个sql语句,要注意占位符两边有双引号(一定要是双引号,因为在数据库里单引号有特殊意义,我查的文章里这么说的,具体是啥目前还不懂),我原先里面用了单引号,外面包裹sql的用的双引号,导致有好几个页面会引发’pymysql.err.ProgrammingError’, 我一直找不到问题所在,就只能捕获异常了,后来改了单引号就没这毛病了.
其他还有问题可以评论区留言讨论,今天算是学习爬虫几天以来第一个不看视频,自己独立抓完的作业啦,嘻嘻
效果