字符串常用方法

# 去掉左右空格
'hello world'.strip()  # 'hello world'
# 按指定字符切割
'hello world'.split(' ') # ['hello','world']
# 替换指定字符串
'hello world'.replace(' ','#') # 'hello#world'

csv模块

作用：将爬取的数据存放到本地的csv文件中

使用流程

• 导入模块
• 打开csv文件
• 初始化写入对象
• 写入数据(参数为列表)

import csv
with open('test.csv','w') as f: 
 writer = csv.writer(f) # 初始化写入对象
 # 写一行
 writer.writerow(['超哥哥',20])
 writer.writerow(['步惊云',22])
with open('test.csv','a') as f:
 writer = csv.writer(f)
 # 写多行
 data_list = [('聂风',23),('秦霜',30)]
 writer.writerows(data_list)

Windows中使用csv模块默认会在每行后面添加一个空行，使用newline=''可解决

with open('xxx.csv','w',newline='') as f:

猫眼电影top100抓取案例

确定URL网址

猫眼电影 - 榜单 - top100榜 目标

电影名称、主演、上映时间 操作步骤

1、查看是否为动态加载

右键 - 查看网页源代码 - 搜索爬取关键字（查看在源代码中是否存在）

2、找URL规律

• 第1页：https://maoyan.com/board/4"movie-item-info">.*"(.*".*"star">(.*">(.*"htmlcode">

  from urllib import request
  import time
  import re
  import csv
  import random
  class MaoyanSpider(object):
   def __init__(self):
    self.page = 1 # 用于记录页数
    self.url = 'https://maoyan.com/board/4"movie-item-info">.*"(.*".*"star">(.*">(.*"") as f:
     writer = csv.writer(f)
     for rt in r_list:
      # 把处理过的数据定义成元组
      t = (rt[0], rt[1].strip(), rt[2].strip()[5:15])
      film_list.append(t)
  
     writer.writerows(film_list)
   def main(self):
    for offset in range(0, 31, 10):
     url = self.url.format(offset)
     self.get_page(url)
     time.sleep(random.randint(1, 3))
     print('第%d页爬取完成' % self.page)
     self.page += 1
  if __name__ == '__main__':
   start = time.time()
   spider = MaoyanSpider()
   spider.main()
   end = time.time()
   print('执行时间: %.2f' % (end - start))

  数据持久化存储（MySQL数据库）
  

  让我们来回顾一下pymysql模块的基本使用

  import pymysql
  
  db = pymysql.connect('localhost', 'root', '123456', 'maoyandb', charset='utf8')
  cursor = db.cursor() # 创建游标对象
  # execute()方法第二个参数为列表传参补位
  cursor.execute('insert into film values(%s,%s,%s)', ['霸王别姬', '张国荣', '1993'])
  db.commit() # 提交到数据库执行
  cursor.close() # 关闭
  db.close()

  让我们来回顾一下pymysql中executemany()的用法

  import pymysql
  
  # 数据库连接对象
  db = pymysql.connect('localhost', 'root', '123456', charset='utf8')
  cursor = db.cursor() # 游标对象
  ins_list = []   # 存放所有数据的大列表
  for i in range(2):
   name = input('请输入第%d个学生姓名:' % (i + 1))
   age = input('请输入第%d个学生年龄:' % (i + 1))
   ins_list.append([name, age])
  
  ins = 'insert into t3 values(%s,%s)' # 定义插入语句
  cursor.executemany(ins, ins_list) # 一次数据库的IO操作可插入多条语句，提升性能
  
  db.commit()  # 提交到数据库执行
  cursor.close() # 关闭游标
  db.close()  # 关闭数据库
  
  ins = 'insert into maoyanfilm values(%s,%s,%s)'
  cursor.execute(['霸王', '国荣', '1991'])
  cursor.executemany([
    ['月光宝盒', '周星驰', '1993'],
    ['大圣娶亲', '周星驰', '1993']])

  练习：把猫眼电影案例中电影信息存入MySQL数据库中（尽量使用executemany方法）

  from urllib import request
  import time
  import re
  import pymysql
  import random
  class MaoyanSpider(object):
   def __init__(self):
    self.page = 1 # 用于记录页数
    self.url = 'https://maoyan.com/board/4"movie-item-info">.*"(.*".*"star">(.*">(.*"htmlcode">
  
  import pymongo
  # 1.连接对象
  conn = pymongo.MongoClient(host='127.0.0.1', port=27017)
  db = conn['maoyandb']  # 2.库对象
  myset = db['filmtab']  # 3.集合对象
  myset.insert_one({'name': '赵敏'}) # 4.插入数据库
  
  
  练习：把猫眼电影案例中电影信息存入MongDB数据库中
  
  
  from urllib import request
  import re
  import time
  import random
  import pymongo
  class MaoyanSpider(object):
   def __init__(self):
    self.url = 'https://maoyan.com/board/4"movie-item-info">.*"(.*".*"star">(.*">(.*"color: #ff0000">电影天堂案例（二级页面抓取）
  
  
  1、查看是否为静态页面，是否为动态加载
  　　右键 - 查看网页源代码
  2、确定URL地址
  　　百度搜索 ：电影天堂 - 2019年新片 - 更多
  3、目标
  *********一级页面***********
  
  1、电影名称
  
  2、电影链接
  
  *********二级页面***********
  
  
  1、下载链接
  4、步骤
  找URL规律
  第1页 ：https://www.dytt8.net/html/gndy/dyzz/list_23_1.html
  第2页 ：https://www.dytt8.net/html/gndy/dyzz/list_23_2.html
  第n页 ：https://www.dytt8.net/html/gndy/dyzz/list_23_n.html
  写正则表达式
  1、一级页面正则表达式（电影名称、电影详情链接）
  <table width="100%".*"26">.*"(.*" rel="external nofollow" rel="external nofollow" .*?>(.*"WORD-WRAP.*?>.*?>(.*"htmlcode">
  
  from urllib import request
  import re
  import time
  import random
  from useragents import *
  import pymysql
  class FilmSky(object):
   def __init__(self):
    self.url = 'https://www.dytt8.net/html/gndy/dyzz/list_23_{}.html'
    # 定义两个对象
    self.db = pymysql.connect('127.0.0.1', 'root', '123456', 'maoyandb', charset='utf8')
    self.cursor = self.db.cursor()
  
   # 获取html函数(因为两个页面都需要发请求)
   def get_page(self, url):
    req = request.Request(url=url, headers={'User-Agent': random.choice(ua_list)})
    res = request.urlopen(req)
    # ignore参数,实在处理不了的编码错误忽略
    # 查看网页源码,发现网页编码为 gb2312,不是 utf-8
    html = res.read().decode('gbk', 'ignore')
    return html
  
   # 解析提取数据(把名称和下载链接一次性拿到)
   # html为一级页面响应内容
   def parse_page(self, html):
    # 1. 先解析一级页面(电影名称 和 详情链接)
    pattern = re.compile('<table width="100%".*"26">.*"(.*" rel="external nofollow" rel="external nofollow" .*?>(.*"WORD-WRAP.*?>.*?>(.*?)</a>', re.S)
    download_link = pattern.findall(two_html)[0]
    return download_link
   # 主函数
   def main(self):
    for page in range(1, 11):
     url = self.url.format(page)
     html = self.get_page(url)
     self.parse_page(html)
     time.sleep(random.randint(1, 3))
     print('第%d页完成' % page)
  if __name__ == '__main__':
   start = time.time()
   spider = FilmSky()
   spider.main()
   end = time.time()
   print('执行时间:%.2f' % (end - start))
  
  
  以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。
  
                                  

  python,爬虫,电影,csv,mysql,存储