简介
此程序是本人大三时期的Python大作业，初学Python后所编写的一个程序，是一个网络爬虫程序，可爬取指定网站的信息。
本程序爬取的网站是Bangumi-我看过的动画，Bangumi是一个专注于二次元的收视进度管理网站，在这里可以记录自己看过的动画和书籍、玩过的游戏、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：Python爬虫-Bangumi
目录
- 简介
- 程序代码
- 运行结果
- 后记
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 re
import ssl
import xlwt
import pymysql
import urllib.request
import urllib.error
from 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://www.yuucn.com/wp-content/uploads/2023/05/1684521669-550a3fe0fd3c184.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()
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