本实战项目通过python爬取豆瓣电影Top250榜单，利用flask框架和Echarts图表分析评分、上映年份并将结果可视化,并制作了词云，项目已经上传至服务器，欢迎各位大佬批评指正。
项目展示：http://121.36.81.197:5000/ 源码地址：https://github.com/lzz110/douban_movies_top250 学习资料：Python爬虫技术5天速成（2020全新合集）
项目技术栈：Flask框架、Echarts、WordCloud、SQLite 环境：Python3 开发工具：PyCharm
爬取链接: https://movie.douban.com/top250
excel 与数据库文件：excel 与数据库文件下载
使用到的库文件 from bs4 import BeautifulSoup # 网页解析，获取数据 import re # 正则表达式，与文字匹配 import xlwt # 制定URL，获取网页数据 import urllib.request, urllib.error # 进行excel操作 import sqlite3 # 进行sqlite数据库操作 模拟浏览器头部信息，向服务器发送消息，获取网页信息 如果服务器响应的代码是418，说明请求未成功，网站不允许爬虫，于是模拟浏览器头部信息：User-Agent传递给了get函数的headers参数，结果返回200，说明请求成功，代码为： def askURL(url): head = { # 模拟浏览器头部信息，向服务器发送消息 "User-Agent": " Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 83.0.4103.116Safari / 537.36" } # 告诉浏览器我们接受什么水平的文件内容 request = urllib.request.Request(url, headers=head) 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 根据网页信息 利用正则表达式进行数据解析 def getData(baseurl): datalist = [] for i in range(0, 10): url = baseurl + str(i * 25) html = askURL(url) # 保存爬取的网页源码 # 逐一解析数据 soup = BeautifulSoup(html, "html.parser") for item in soup.find_all('div', class_="item"): # print(item) # 测试 data = [] # 保存 item = str(item) # re库正则表达式来查找指定字符串,形成列表 Link = re.findall(findLink, item)[0] # 链接 # print(Link) data.append(Link) ImaSrc = re.findall(findImaSrc, item)[0] # 图片链接 # print(ImaSrc) data.append(ImaSrc) Title = re.findall(findTitle, item)[0] # 片名：可能只有一个中文名，没有外译名字 if (len(Title) == 2): # print("完整title="+Title) cTitle = Title[0] # 添加中文名 # print(cTitle) data.append(Title) oTitle = Title[1].replace("/", "") # 外译片名 # print(oTitle) # data.append(' ') else: data.append(Title) # data.append(' ') # print(Title) Rating = re.findall(findRating, item)[0] # 评分 data.append(Rating) Judge = re.findall(findJudge, item)[0] # 评价人数 data.append(Judge) Inq = re.findall(findInq, item) # 概述 if len(Inq) != 0: Inq = Inq[0].replace("。", "") # 去掉句号 data.append(Inq) else: data.append(" ") # 留空 Bd = re.findall(findBd, item)[0] # 相关内容 temp = re.search('[0-9]+.*\/?', Bd).group().split('/') year, country, category = temp[0], temp[1], temp[2] # 得到年份、地区、类型 data.append(year) data.append(country) data.append(category) datalist.append(data) # 把处理好的一部电影信息放入datalist return datalist将爬取结果数据保存成两种格式（数据库 和 excel表格）：
写入excel def saveData(datalist, savepath): print("save...") book = xlwt.Workbook(encoding="utf-8") # 创建workbook对象 sheet = book.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True) # 创建工作表 # 制作表头 col = ("电影详情链接", "图片链接", "中文名", "评分", "评价数", "概述", "上映年份","制片国家","类型") for i in range(0, len(col)): sheet.write(0, i, col[i]) for i in range(0, 250): # print("第%d条"%(i+1)) data = datalist[i] for j in range(0, len(col)): sheet.write(i + 1, j, data[j]) book.save(savepath) # 保存保存至excel结果：
写入数据库 def saveData2DB(datalist, dbpath): init_db(dbpath) conn = sqlite3.connect(dbpath) cur = conn.cursor() for data in datalist: for index in range(len(data)): data[index] = '"' + data[index] + '"' sql = ''' insert into movie250( info_link, pic_link, cname, score,rated, introduction,year_release,country,category ) values(%s)''' % ",".join(data) # print(sql) cur.execute(sql) conn.commit() cur.close() conn.close保存至数据库结果 至此爬取数据部分结束，下一章是电影数据处理和可视化
