python爬虫--爬取某网站电影信息并写入mysql数据库

书接上文，前文最后提到将爬取的电影信息写入数据库，以方便查看，今天就具体实现。

首先还是上代码：

# -*- coding:utf-8 -*-
import requests
import re
import mysql.connector

#changepage用来产生不同页数的链接
def changepage(url,total_page):
    page_group = ['https://www.dygod.net/html/gndy/jddy/index.html']
    for i in range(2,total_page+1):
        link = re.sub('jddy/index','jddy/index_'+str(i),url,re.S)
        page_group.append(link)
    return page_group
#pagelink用来产生页面内的视频链接页面
def pagelink(url):
    base_url = 'https://www.dygod.net/html/gndy/jddy/'
    headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36'}
    req = requests.get(url , headers = headers)
    req.encoding = 'gbk'#指定编码，否则会乱码
    pat = re.compile('<a href="/html/gndy/jddy/(.*?)" class="ulink" title=(.*?)/a>',re.S)#获取电影列表网址
    reslist = re.findall(pat, req.text)

    finalurl = []
    for i in range(1,25):
        xurl = reslist[i][0]
        finalurl.append(base_url + xurl)
    return finalurl #返回该页面内所有的视频网页地址

#getdownurl获取页面的视频地址和信息
def getdownurl(url):
    headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36'}
    req = requests.get(url , headers = headers)
    req.encoding = 'gbk'#指定编码，否则会乱码

    pat = re.compile('<a href="ftp(.*?)">ftp',re.S)#获取下载地址
    reslist = re.findall(pat, req.text)
    furl = 'ftp'+reslist[0]

    pat2 = re.compile('<!--Content Start-->(.*?)<!--duguPlayList Start-->',re.S)#获取影片信息
    reslist2 = re.findall(pat2, req.text)
    reslist3 = re.sub('[<p></p>]','',reslist2[0])
    fdetail = reslist3.split('◎')

    return (furl,fdetail)

#创建表movies
def createtable(con,cs):
    #创建movies表，确定其表结构:
    cs.execute('create table if not exists movies (film_addr varchar(1000), cover_pic varchar(1000), name varchar(100) primary key,\
     ori_name varchar(100),prod_year varchar(100), prod_country varchar(100), category varchar(100), language varchar(100), \
     subtitle varchar(100), release_date varchar(100), score varchar(100), file_format varchar(100), video_size varchar(100), \
     file_size varchar(100), film_length varchar(100), director varchar(100), actors varchar(500), profile varchar(2000),capt_pic varchar(1000))')
    # 提交事务:
    con.commit()

#将电影地址和简介插入表中
def inserttable(con,cs,x,y):
    try:
        cs.execute('insert into movies values (%s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s)',\
    (x,y[0],y[1],y[2],y[3],y[4],y[5],y[6],y[7],y[8],y[9],y[10],y[11],y[12],y[13],y[14],y[15],y[16],y[17]))
    except:
        pass
    finally:
        con.commit()

if __name__ == "__main__" :
    html = "https://www.dygod.net/html/gndy/jddy/index.html"
    print('你即将爬取的网站是：https://www.dygod.net/html/gndy/jddy/index.html')
    pages = input('请输入需要爬取的页数：')
    createtable
    p1 = changepage(html,int(pages))

    #打开数据库
    conn = mysql.connector.connect(user='py', password='Unix_1234', database='py_test')
    cursor = conn.cursor()
    createtable(conn,cursor)
    #插入数据
    j = 0
    for p1i in p1 :
        j = j + 1
        print('正在爬取第%d页,网址是 %s ...'%(j,p1i))
        p2 = pagelink(p1i)
        for p2i in p2 :
            p3,p4 = getdownurl(p2i)
            if len(p3) == 0 :
                pass
            else :
                inserttable(conn,cursor,p3,p4)
    #关闭数据库
    cursor.close()
    conn.close()
    print('所有页面地址爬取完毕!')

用到的知识点和前面比，最重要是多了数据库的操作，下面简要介绍下python如何连接数据库。

一、python中使用mysql需要驱动，常用的有官方的mysql-connect-python，还有mysqldb(Python 2.x)和pymysql(Python 3.x)，这几个模块既是驱动，又是工具，可以用来直接操作mysql数据库，也就是说它们是通过在Python中写sql语句来操作的，例如创建user表：

cursor.execute('create table user (id int, name varchar(20))')

#这里的create table语句就是典型的sql语句。

二、还有很多情况下我们用ORM(object relational mapping)即对象映射关系框架，将编程语言的对象模型和数据库的关系模型（RDBMS关系型数据库）进行映射，这样可以直接使用编程语言的对象模型操作数据库，而不是使用sql语言。同样创建user表：

user=Table('user',metadata,
Column('id',Integer),
Column('name', String(20))
)
metadata.create_all()
#这里可以看到根本没有sql语句的影子，这样我们可以专注在Python代码而不是sql代码上了。（注意ORM并不包含驱动，如要使用同样要安装前面提到的驱动）

如有兴趣可以自行学习，这不是本文的重点。为简单起见，文中用的是mysql-connect-python。

正则匹配部分也很简单，因为源网页比较规则，如下网页图和对应的源代码：

直接用◎匹配即可。

程序运行完后，数据都写入movies表中。

比如我想筛选豆瓣评分>7的，

是不是很简单，你GET到了吗？