前面講了如何通過pymysql操作數(shù)據(jù)庫，這次寫一個爬蟲來提取信息，并將數(shù)據(jù)存儲到mysql數(shù)據(jù)庫

1.爬取目標

爬取貓眼電影TOP100榜單

要提取的信息包括：電影排名、電影名稱、上映時間、分數(shù)

2.分析網(wǎng)頁HTML源碼

可以看到每部電影信息都被包裹在一對

...標簽中，所以我們只需提取出一個標簽對中的上述信息即可。使用正則表達式提取

3. 完整過程

這個例子有2個關鍵點:正則編寫和數(shù)據(jù)處理(寫進mysql數(shù)據(jù)庫)

(1) 正則表達式的編寫

pattern = re.compile(r'

.*?(d+).*?' # 匹配電影排名(加個?表示非貪婪匹配，不是匹配0次或1次)

r'

(.*?)' # 匹配電影名稱

r'.*?

(.*?)' # 匹配上映時間

r'.*?(.*?)' # 匹配分數(shù)的整數(shù)位

r'.*?(.*?).*?

', re.S) # 匹配分數(shù)小數(shù)位，re.S表示跨行匹配

m = pattern.findall(html)

# print(m)

使用findall()方法來匹配所有符合規(guī)則的字符，返回一個列表，下面是其中一頁的匹配結果

(2)完整代碼，注意get_data()函數(shù)是如何處理數(shù)據(jù)，然后通過write_sql()函數(shù)是寫入數(shù)據(jù)庫的

# coding: utf-8

# author: hmk

import requests

import re

import pymysql

def get_html(url, header):

response = requests.get(url, headers=header)

if response.status_code == 200:

return response.text

else:

return None

def get_data(html, list_data):

pattern = re.compile(r'

.*?(d+).*?' # 匹配電影排名

r'

(.*?)' # 匹配電影名稱

r'.*?

(.*?)' # 匹配上映時間

r'.*?(.*?)' # 匹配分數(shù)的整數(shù)位

r'.*?(.*?).*?

', re.S) # 匹配分數(shù)小數(shù)位

m = pattern.findall(html)

for i in m: # 因為匹配到的所有結果會以列表形式返回，每部電影信息以元組形式保存，所以可以迭代處理每組電影信息

ranking = i[0] # 提取一組電影信息中的排名

movie = i[1] # 提取一組電影信息中的名稱

release_time = i[2] # 提取一組電影信息中的上映時間

score = i[3] + i[4] # 提取一組電影信息中的分數(shù),這里把分數(shù)的整數(shù)部分和小數(shù)部分拼在一起

list_data.append([ranking, movie, release_time, score]) # 每提取一組電影信息就放到一個列表中，同時追加到一個大列表里，這樣最后得到的大列表就包含所有電影信息

def write_sql(data):

conn = pymysql.connect(host='localhost',

user='root',

password='123456',

db='test',

charset='utf8')

cur = conn.cursor()

for i in data:

"""這里的data參數(shù)是指正則匹配并處理后的列表數(shù)據(jù)(是一個大列表，包含所有電影信息，每個電影信息都存在各自的一個列表中；

對大列表進行迭代，提取每組電影信息，這樣提取到的每組電影信息都是一個小列表，然后就可以把每組電影信息寫入數(shù)據(jù)庫了)"""

movie = i # 每組電影信息，這里可以看做是準備插入數(shù)據(jù)庫的每組電影數(shù)據(jù)

sql = "insert into maoyan_movie(ranking,movie,release_time,score) values(%s, %s, %s, %s)" # sql插入語句

try:

cur.execute(sql, movie) # 執(zhí)行sql語句，movie即是指要插入數(shù)據(jù)庫的數(shù)據(jù)

conn.commit() # 插入完成后，不要忘記提交操作

print('導入成功')

except:

print('導入失敗')

cur.close() # 關閉游標

conn.close() # 關閉連接

def main():

start_url = 'http://maoyan.com/board/4'

depth = 10 # 爬取深度(翻頁)

header = {"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8",

"Accept-Encoding": "gzip, deflate, sdch",

"Accept-Language": "zh-CN,zh;q=0.8",

"Cache-Control": "max-age=0",

"Connection": "keep-alive",

"Host": "maoyan.com",

"Referer": "http://maoyan.com/board",

"Upgrade-Insecure-Requests": "1",

"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.75 Safari/537.36"}

for i in range(depth):

url = start_url + '?offset=' + str(10 * i)

html = get_html(url, header)

list_data = []

get_data(html, list_data)

write_sql(list_data)

#print(list_data)

# for i in list_data:

# t = i

# print(t)

if __name__ == "__main__":

main()

注意一點，在請求url時，加了headers，這里必須加，估計是網(wǎng)站做了限制，直接爬的話會失敗，可能認出請求鏈接的不是一個人而是一只蟲了

代碼中注釋寫得很詳細，不再過多描述了

總結

以上是生活随笔為你收集整理的猫眼电影票房爬取到MySQL中_猫眼电影爬取(一)：requests+正则，并将数据存储到mysql数据库...的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。