Python爬虫豆瓣 保存至数据库 并将数据进行网页的可视化

本文章的所有代码和相关文章， 仅用于经验技术交流分享，禁止将相关技术应用到不正当途径，滥用技术产生的风险与本人无关。
本文章是自己学习的一些记录。

爬取数据

在这几天的学习当中，又看了一个爬虫的教程在b站上面的成都工业的那个视频，感觉老师讲的挺好的。跟着老师的学习，自己也把课程的内容写了一遍。因为之前有简单爬虫的基础 ，所以看的比较快。在这里整理下自己的学习内容
首先还是将数据爬取 保存至数据库：直接上课程的源码：

#-*- codeing = utf-8 -*-

from bs4 import BeautifulSoup     #网页解析，获取数据
import re       #正则表达式，进行文字匹配
import urllib.request,urllib.error      #制定URL，获取网页数据
import xlwt     #进行excel操作
import sqlite3  #进行SQLite数据库操作

def main():
baseurl = "https://movie.douban.com/top250?start="
#1.爬取网页
datalist = getData(baseurl)
#savepath = "豆瓣电影Top250.xls"
dbpath = "movie.db"
#3.保存数据
#saveData(datalist,savepath)
saveData2DB(datalist,dbpath)

#askURL("https://movie.douban.com/top250?start=")

#影片详情链接的规则
findLink = re.compile(r'<a href="(.*?)">')     #创建正则表达式对象，表示规则（字符串的模式）
#影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)   #re.S 让换行符包含在字符中
#影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#找到评价人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
#找到概况
findInq = re.compile(r'<span class="inq">(.*)</span>')
#找到影片的相关内容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)

#爬取网页
def getData(baseurl):
datalist = []
for i in range(0,10):       #调用获取页面信息的函数，10次
url = baseurl + str(i*25)
html = askURL(url)      #保存获取到的网页源码

# 2.逐一解析数据
soup = BeautifulSoup(html,"html.parser")
for item in soup.find_all('div',class_="item"):     #查找符合要求的字符串，形成列表
#print(item)   #测试：查看电影item全部信息
data = []    #保存一部电影的所有信息
item = str(item)

#影片详情的链接
link = re.findall(findLink,item)[0]     #re库用来通过正则表达式查找指定的字符串
data.append(link)                       #添加链接

imgSrc = re.findall(findImgSrc,item)[0]
data.append(imgSrc)                     #添加图片

titles = re.findall(findTitle,item)     #片名可能只有一个中文名，没有外国名
if(len(titles) == 2):
ctitle = titles[0]                  #添加中文名
data.append(ctitle)
otitle = titles[1].replace("/","")  #去掉无关的符号
data.append(otitle)                 #添加外国名
else:
data.append(titles[0])
data.append(' ')        #外国名字留空

rating = re.findall(findRating,item)[0]
data.append(rating)                        #添加评分

judgeNum = re.findall(findJudge,item)[0]
data.append(judgeNum)                       #提加评价人数

inq = re.findall(findInq,item)
if len(inq) != 0:
inq = inq[0].replace("。","")    #去掉句号
data.append(inq)                # 添加概述
else:
data.append(" ")                #留空

bd = re.findall(findBd,item)[0]
bd = re.sub('<br(\s+)?/>(\s+)?'," ",bd)   #去掉<br/>
bd = re.sub('/'," ",bd)     #替换/
data.append(bd.strip())     #去掉前后的空格

datalist.append(data)       #把处理好的一部电影信息放入datalist

return datalist

#得到指定一个URL的网页内容
def askURL(url):
head = {                #模拟浏览器头部信息，向豆瓣服务器发送消息
"User-Agent": "Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122  Safari / 537.36"
}
#用户代理，表示告诉豆瓣服务器，我们是什么类型的机器、浏览器（本质上是告诉浏览器，我们可以接收什么水平的文件内容）

request = urllib.request.Request(url,headers=head)
html = ""
try:
response = urllib.request.urlopen(request)
html = response.read().decode("utf-8")
#print(html)
except urllib.error.URLError as e:
if hasattr(e,"code"):
print(e.code)
if hasattr(e,"reason"):
print(e.reason)
return html

#保存数据
def saveData(datalist,savepath):
print("save....")
book = xlwt.Workbook(encoding="utf-8",style_compression=0)  #创建workbook对象
sheet = book.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True)    #创建工作表
col = ("电影详情链接","图片链接","影片中文名","影片外国名","评分","评价数","概况","相关信息")
for i in range(0,8):
sheet.write(0,i,col[i]) #列名
for i in range(0,250):
print("第%d条" %(i+1))
data = datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j])      #数据

book.save(savepath)       #保存

def saveData2DB(datalist,dbpath):
init_db(dbpath)
conn = sqlite3.connect(dbpath)
cur = conn.cursor()

for data in datalist:
for index in range(len(data)):
if index == 4 or index == 5:
continue
data[index] = '"'+data[index]+'"'
sql = '''
insert into movie250 (
info_link,pic_link,cname,ename,score,rated,instroduction,info)
values(%s)'''%",".join(data)
print(sql)
cur.execute(sql)
conn.commit()
cur.close()
conn.close()

def init_db(dbpath):
sql = '''
create table movie250
(
id integer primary key autoincrement,
info_link text,
pic_link text,
cname varchar,
ename varchar,
score numeric ,
rated numeric ,
instroduction text,
info text
)

'''  #创建数据表
conn = sqlite3.connect(dbpath)
cursor = conn.cursor()
cursor.execute(sql)
conn.commit()
conn.close()

if __name__ == "__main__":          #当程序执行时
#调用函数
main()
#init_db("movietest.db")
print("爬取完毕！")

保存至数据库，在课程里面老师讲的是使用Pycharm对数据库进行查看。我这里用的是这个

安装好之后直接打开，然后在里面打开数据库显示：

这就是将爬取的数据保存到了数据库当中。
前面的爬虫具体的操作就是一些爬虫的基础，多学习联系就可以爬取下来了。

数据可视化及分析

这个课程是应用Python爬虫、Flask框架、Echarts、WordCloud等技术实现的数据可视化，在网页上面进行显示。之前我学过数据分析是直接用pandas、numpy、matplotlib等工具来实现数据分析。这个课程用的数据可视化是Echarts，进入他的官网：
https://echarts.apache.org/zh/index.html

对数据可视化分析还是非常炫酷的，这里有很多的内容供我们使用

所需准备

主要是应用Flask框架，新建flask项目，进行代码的编写，需要用到数据库的代码编写(这里注意在连接数据库表的时候如果找不到，使用绝对路径即可)，之前在爬取的时候就已经用到数据库的操作语句。具体的内容可以去看看视频就明白了
在进行词云设置的时候 需要安装jieba分词库 安装wordcloud库进行生成词云：本课程根据250部电影的摘要短语形成词云：这里注意的问题是，先保存图片再显示才不会导致保存的图片的空白。

形成的词云如上面的图片，可以看出热门电影的字比较大一点(其实我就觉得好看哈哈)

展示

整体做出来的效果 加上我自己写的网页内容，具体展示如下：

总之这就是简单做出来的效果，我加了一些跳转的链接，可直接跳转到我的博客 哈哈 我觉得这种方式还是非常好看而且是动态的，有些事ppt做不出来的动态效果。如果结合pandas 、numpy、matplotlib、整体去做数据分析我觉得挺好。