二十. 实战 - MySQL存储 (豆瓣电影Top250)

爬取网址：https://movie.douban.com/top250
爬取信息：电影名称，导演，主演，类型，制片国家，上映时间，片长，评分
爬取方式：进入详细页面爬取，lxml，re解析。
存储方式：MySQL存储

image.png

使用MySQL存储，首先需要在SQLyog中建立数据表：

  CREATE TABLE topmovies (
  电影名称 TEXT,
  导演 TEXT,
  主演 TEXT,
  类型 TEXT,
  制片地 TEXT,
  上映时间 TEXT,
  片长 TEXT,
  评分 TEXT
  )ENGINE INNODB DEFAULT CHARSET=utf8;

注意：中文字段无需用""括起来，不能写成："电影名称" TEXT。

然后在快捷菜单中选择“执行查询”或使用F9键执行代码，即可完成数据表的创建。

image.png

代码如下：

import requests
from lxml import etree
import re
import pymysql
import time


def get_details_url(url):
   r = requests.get(url,headers = headers)
   html = etree.HTML(r.text)
   movie_urls = html.xpath('//div[@class="pic"]/a/@href')
   return movie_urls

def get_info(url):
   r = requests.get(url,headers=headers)
   html = etree.HTML(r.text)

   try:
       name = html.xpath('//div[@id="content"]/h1/span[1]/text()')[0]
       director = html.xpath('//div[@id="info"]/span[1]/span[2]/a/text()')[0]
       
       actor1 = html.xpath('//div[@id="info"]/span[3]/span[2]')[0]
       actor = actor1.xpath('string(.)')
       
       style1 = re.findall('(.*?)',r.text,re.S)   ##若采用xpath的标签定位，有可能发生爬取数据错位。
       style = '/'.join(style1)
       
       country = re.findall('制片国家/地区:(.*?)
',r.text,re.S)[0].strip()
       
       release_time1 = re.findall('',r.text,re.S)
       release_time = '/'.join(release_time1)
       
       run_time = re.findall('片长: (.*?)',r.text,re.S)[0]
       score = re.findall('property="v:average">(.*?)',r.text,re.S)[0]
       
       #print(name,director,actor,style,country,release_time,run_time,score)
       
       cursor.execute('INSERT INTO topmovies(电影名称,导演,主演,类型,制片地,上映时间,片长,评分) VALUES (%s,%s,%s,%s,%s,%s,%s,%s)',
                  (name,director,actor,style,country,release_time,run_time,score))   
   except IndexError:
       pass   ##忽略IndexError,因为有些影片的详细页面没内容。

if __name__ == "__main__":
    conn = pymysql.connect(host='localhost',user='root',db='mydb',port=3306,charset="utf8")  #连接数据库
    cursor = conn.cursor()  #光标对象
    
    headers = {'user-agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3294.6 Safari/537.36'}
    url_list = ['https://movie.douban.com/top250?start={}&filter='.format(i*25) for i in range(0,10)]  #共10页
    for url in url_list:
        movie_urls = get_details_url(url)
        for movie_url in movie_urls:
            get_info(movie_url)
            time.sleep(2)
            
    conn.commit()  #提交事务

结果为：

image.png

可以看到，总共获取了245个数据。如果要获得完整数据，也可以考虑把概述页的内容提取出来，即遇到Indexerror后提取电影的概述数据。

数据库中的信息样式为：

image.png