简介
应用系统定制开发此程序是本人大三时期的Python大作业,初学Python应用系统定制开发后所编写的一个程序,应用系统定制开发是一个网络程序,应用系统定制开发可爬取指定网站的信息。
应用系统定制开发本程序爬取的网站是,应用系统定制开发是一个专注于二次元的应用系统定制开发收视进度管理网站,应用系统定制开发在这里可以记录自己看应用系统定制开发过的动画和书籍、应用系统定制开发玩过的游戏、应用系统定制开发听过的音乐等等,本程序爬取的正是作者本人看过的所有动画,读者若想爬取自己看过的动画,可下载程序后,自行修改源代码中的相应网址。
本程序使用Python编写,使用PyCharm进行开发,数据库使用MySQL数据库,程序可将“Bangumi-我看过的动画”中的所有动画信息爬取下来,并保存至数据库和Excel表格中,亦可将爬取的网站html源码保存至本地,作者还编写了一个JavaWeb程序,用网页的形式展示爬取到的所有动画信息。
程序源代码及程序设计说明书可在下方GitHub链接处进行下载,供各位需要的人学习参考。
GitHub链接:
目录
程序代码
在此展示Python爬虫的完整代码,代码不多做介绍,详细请看代码注释或程序设计说明书,若读者对JavaWeb展示爬取数据感兴趣,可至文章开头处GitHub链接下载程序,进行了解。
import reimport sslimport xlwtimport pymysqlimport urllib.requestimport urllib.errorfrom bs4 import BeautifulSoup# 主函数def main(): print("开始爬取网站") ssl._create_default_https_context = ssl._create_unverified_context #全局取消证书验证 baseurl = "https://bangumi.tv/anime/list/430090/collect" #要爬取的网站-Bangumi我看过的动画 pagecount = getPageCount(baseurl) #获取要爬取的页面总数 datalist = getData(baseurl, pagecount) #爬取网页,获取网页数据,并解析数据 saveDataToDatabase(datalist) #将数据保存至数据库 saveDataToExcel(datalist) #将数据保存至excel表格 print("网站爬取成功,完毕!!!")# 获取HTML页面内容def getHTML(url): print("正在获取页面 "+url+" ......") headers = { #反反爬虫,模拟浏览器头部信息 "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" } request = urllib.request.Request(url, headers=headers) response = urllib.request.urlopen(request) html = response.read().decode("utf-8") print("页面获取成功") return html# 保存HTML页面def saveHTML(html, page): print("正在保存页面"+str(page)+"......") fileobj = open("lib/html/page"+str(page)+".html", "w", encoding="utf-8") fileobj.write(html) fileobj.close() print("页面"+str(page)+"保存成功")# 获取要爬取的页面总数def getPageCount(baseurl): pagecount = 0 #页面总数 html = getHTML(baseurl) print("正在获取页面总页数......") soup = BeautifulSoup(html, "html.parser") ul = soup.find("ul", id="browserItemList") li = ul.find("li") if li is None: #若ul标签里无li标签,则表示页面总数为0,即我看过的动画为0 pagecount = 0 else: div = soup.find("div", id="multipage") span = div.find("span", class_="p_edge") #页面过多的话,div标签里会有一个span标签,网站会将“当前页数/总页数”放在此span标签中 if span is not None: #若有span标签,则可以直接获取页面总数 result = re.findall(r'[0-9]+', span.string) pagecount = int(result[1]) else: #若无span标签,则需通过a标签获取页面总数 alist = div.find_all("a") if len(alist) != 0: #若有a标签,则倒数第二个a标签的内容即为总页数 pagecount = int(alist[len(alist) - 2].string) else: #若无a标签,则表示页面总数为1 pagecount = 1 print("页面总数获取成功,页面总数为{}页".format(pagecount)) return pagecount# 将网页中的链接由相对路径改为绝对路径,或修改不符合要求的链接def changeLink(html): print("正在修改相关链接......") soup = BeautifulSoup(html, "html.parser") # 获取所有a标签,对不符合要求的进行修改 a_list = soup.find_all("a") for i in a_list: #对链接为相对路径的a标签进行修改 if 'href' in i.attrs and re.match(r'/[^\s]*', i['href']) is not None: i['href'] = "https://bangumi.tv" + i['href'] # 获取所有link标签,对不符合要求的进行修改 link_list = soup.find_all("link") for i in link_list: #对链接为相对路径的link标签进行修改 if 'href' in i.attrs and re.match(r'/[^\s]*', i['href']) is not None: i['href'] = "https://bangumi.tv" + i['href'] # 获取所有script标签,对不符合要求的进行修改 script_list = soup.find_all("script") for i in script_list: #对链接为相对路径的script标签进行修改 if 'src' in i.attrs and re.match(r'/[^\s]*', i['src']) is not None: i['src'] = "https://bangumi.tv" + i['src'] # 获取所有form标签,对不符合要求的进行修改 form_list = soup.find_all("form") for i in form_list: #对链接为相对路径的form标签进行修改 if 'action' in i.attrs and re.match(r'/[^\s]*', i['action']) is not None: i['action'] = "https://bangumi.tv" + i['action'] # 获取所有img标签,对不符合要求的进行修改 img_list = soup.find_all("img") for i in img_list: #为img标签的图片链接加上https:前缀 if 'src' in i.attrs and re.match(r'//[^\s]*', i['src']) is not None: i['src'] = "https:" + i['src'] # 发生未知错误,无法正确爬取获取该动画的img标签的src属性,实属无奈,故手动显式修改 if soup.find("li", id="item_7157") is not None: img = soup.find("li", id="item_7157").find("img") img['src'] = "https://lain.bgm.tv/pic/cover/s/6e/01/7157_QV8Rz.jpg" # 特殊情况,为我的头像的图片链接加上https:前缀 span = soup.find("span", class_="avatarNeue avatarSize75") span['style'] = re.sub(r'//[^\s]*', "https:" + re.search(r'//[^\s]*', span['style']).group(), span['style']) # 特殊情况,修改特定a标签链接 div = soup.find("div", id="robot_speech") a = div.find("a", class_="nav") a['href'] = "https://bangumi.tv/" + a['href'] print("相关链接修改成功") return soup.prettify()# 将网页改为本地,相关依赖使用本地资源,无需联网即可访问............ 暂不考虑实现def toLocal(): pass# 爬取网页,获取网页数据,并解析数据def getData(baseurl, pagecount): datalist = [] #二维列表,用于存放所有我看过的动画 for i in range(1, pagecount+1): #遍历所有页面,一个一个爬取 url = baseurl + "?page=" + str(i) html = getHTML(url) #获取HTML页面内容 html = changeLink(html) #修改相关链接 saveHTML(html, i) #保存HTML页面 print("开始爬取解析页面"+str(i)) soup = BeautifulSoup(html, "html.parser") all_animation = soup.find("ul", id="browserItemList") #该ul标签中存放了目标数据,即我看过的动画 # 逐一解析数据 for item in all_animation.find_all("li"): #遍历一个个li标签,即遍历一部部我看过的动画,并获取数据 data = [] # 获取id idd = re.search(r'[0-9]+', item['id']).group() data.append(idd) print("正在解析动画(id:{})数据......".format(idd)) # 获取中文名 chinese_name = item.find("a", class_="l").string.strip() data.append(chinese_name) # 获取原名 if item.find("small", class_="grey") is None: #可能无原名 original_name = "" else: original_name = item.find("small", class_="grey").string.strip() data.append(original_name) # 获取话数、放送开始时间、导演等人 info = item.find("p", class_="info tip").string episodes = re.search(r'[0-9]+', info).group() if re.search(r'[\d]+年[\d]+月[\d]+日', info) is not None: #有两种日期格式 broadcast_time = re.search(r'[\d]+年[\d]+月[\d]+日', info).group() broadcast_time = re.sub(r'[^\d]+', "-", broadcast_time).strip("-") #转换为xxxx-xx-xx的格式 elif re.search(r'[\d]+-[\d]+-[\d]+', info) is not None: broadcast_time = re.search(r'[\d]+-[\d]+-[\d]+', info).group() else: broadcast_time = "" if re.search(r'日.+', info) is None: #可能无导演等人 people = "" else: people = re.search(r'日.+', info).group() people = people[4:].strip() data.append(episodes) data.append(broadcast_time) data.append(people) # 获取收藏时间 star_time = item.find("span", class_="tip_j").string.strip() data.append(star_time) # 获取个人评分 score = item.find("span", class_="starlight")['class'][1] score = re.search(r'[0-9]+', score).group() data.append(score) # 获取个人标签 if item.find("span", class_="tip") is None: #可能无个人标签 tag = "" else: tag = item.find("span", class_="tip").string tag = tag.strip()[4:] data.append(tag) # 获取页面网址 page_url = item.find("a", class_="l")['href'] data.append(page_url) # 获取缩略封面图网址,并下载保存 print("正在下载缩略封面图{}.jpg".format(idd)) low_image_url = item.find("img", class_="cover")['src'] data.append(low_image_url) low_image_path = "lib/image/low/" + idd + ".jpg" data.append(low_image_path) low_image_url = re.sub(r'lain.bgm', "bangumi", low_image_url) #图片原链接不允许爬取下载,故需转换下链接 urllib.request.urlretrieve(low_image_url, low_image_path) #下载缩略封面图 # 获取高清封面图网址,并下载保存 print("正在下载高清封面图{}.jpg".format(idd)) high_image_url = re.sub(r'/s/', "/l/", low_image_url) #缩略图和高清图的网址仅有一字之差 data.append(high_image_url) high_image_path = "lib/image/high/" + idd + ".jpg" data.append(high_image_path) #urllib.request.urlretrieve(high_image_url, high_image_path) #下载高清封面图,文件较大且多,故很花时间 datalist.append(data) print("页面{}爬取解析成功".format(str(i))) return datalist# 将数据保存至数据库def saveDataToDatabase(datalist): print("开始将数据保存至数据库") con = pymysql.connect(host="localhost", database="web_crawler", user="root", password="root") cur = con.cursor() sql = "insert into animation values(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)" try: for data in datalist: print("正在保存动画(id:{})数据至数据库......".format(data[0])) cur.execute(sql, tuple(data)) con.commit() except: con.rollback() #发生错误时回滚 print("数据保存失败") else: print("数据保存成功") cur.close() con.close()# 将数据保存至excel表格def saveDataToExcel(datalist): print("开始将数据保存至excel表") book = xlwt.Workbook(encoding="utf-8") #创建一个workbook,并设置编码 sheet = book.add_sheet("我看过的动画") colname = ("ID", "中文名", "原名", "话数", "放送开始时间", "导演/原作者/等制作人", "收藏时间", "个人评分", "个人标签", "页面网址", "缩略封面图网址", "缩略封面图本地路径", "高清封面图网址", "高清封面图本地路径") style = xlwt.easyxf('font: bold on') #样式,为列名加粗 for i in range(0, 14): #添加列名 sheet.write(0, i, colname[i], style) for i in range(0, len(datalist)): #添加数据 data = datalist[i] print("正在保存动画(id:{})数据至excel表......".format(data[0])) for j in range(0, 14): sheet.write(i + 1, j, data[j]) book.save("lib/excel/Bangumi-我看过的动画.xls") #保存excel表 print("数据保存成功")if __name__ == "__main__": main()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
- 91
- 92
- 93
- 94
- 95
- 96
- 97
- 98
- 99
- 100
- 101
- 102
- 103
- 104
- 105
- 106
- 107
- 108
- 109
- 110
- 111
- 112
- 113
- 114
- 115
- 116
- 117
- 118
- 119
- 120
- 121
- 122
- 123
- 124
- 125
- 126
- 127
- 128
- 129
- 130
- 131
- 132
- 133
- 134
- 135
- 136
- 137
- 138
- 139
- 140
- 141
- 142
- 143
- 144
- 145
- 146
- 147
- 148
- 149
- 150
- 151
- 152
- 153
- 154
- 155
- 156
- 157
- 158
- 159
- 160
- 161
- 162
- 163
- 164
- 165
- 166
- 167
- 168
- 169
- 170
- 171
- 172
- 173
- 174
- 175
- 176
- 177
- 178
- 179
- 180
- 181
- 182
- 183
- 184
- 185
- 186
- 187
- 188
- 189
- 190
- 191
- 192
- 193
- 194
- 195
- 196
- 197
- 198
- 199
- 200
- 201
- 202
- 203
- 204
- 205
- 206
- 207
- 208
- 209
- 210
- 211
- 212
- 213
- 214
- 215
- 216
- 217
- 218
- 219
- 220
- 221
- 222
- 223
- 224
- 225
- 226
- 227
- 228
- 229
- 230
- 231
- 232
- 233
- 234
- 235
- 236
- 237
- 238
- 239
- 240
- 241
运行结果
代码编写完成后运行程序,程序运行过程中会在控制台实时输出当前爬取进度
爬取完毕后,可看到成功导出html文件
成功下载封面图片
信息成功保存至数据库
成功保存至Excel表格
最后JavaWeb程序也成功展示爬取的数据
后记
本程序仅供学习和参考,请勿抄袭或另作他用。
感谢观看,有什么问题可在下方评论区进行评论,若觉得本文章写得不错,还请点个赞呢。
关注我,收看更多精彩!( • ̀ω•́ )✧求点赞、评论、收藏、关注