#-*- coding: 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，获取网络数据
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"    #当前文件夹下
    dbpath="movie.db"
    #3.保存数据
    #saveData(datalist,savepath)
    saveData2DB(datalist,dbpath)

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

#影片详情的链接的规则
findLink=re.compile(r'<a href="(.*?)">')   #创建正则表达式，表示规则（字符串模式）
#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=[] #保存一部电影的全部信息
            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,[0]表示如果有两个，只要第一个
            data.append(link)       #列表添加链接

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

            titles=re.findall(findTitle,item)   #片名可能只有一个中文名，没有外文名
            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(' ')     #外国名留空

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

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

            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)   #去掉/
            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

    #print (datalist)
    return datalist

#得到一个指定URL的网页内容
def askURL(url):
        #模拟浏览器头部信息，向豆瓣服务器发送信息
    head={"User-Agent":" Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.71 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（本质上是高速浏览器，我们可以接受什么水平的信息）
    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:  #捕获错误
        if hasattr(e,"code"):
            print(e.code)   #打印错误代码
        if hasattr(e,"reason"):
            print(e.reason) #打印错误原因
    return html

#保存数据
def saveData(datalist,savepath):
    print("save.....")
    book=xlwt.Workbook(encoding="utf-8",style_compression=0)    #样式压缩效果
    sheet=book.add_sheet('豆瓣电影TOP250',cell_overwrite_ok=True)      #单元格可以覆盖
    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")  #元组
    for i in range(0,8):
        sheet.write(0,i,col[i])
    for i in range(0,250):
        print("第%d条"%i)
        data=datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])  #数据
    book.save('doubanTop250.xls')   #保存

#数据库保存数据
def saveData2DB(datalist,dbpath):
    print("saving....")
    init_db(dbpath)
    conn=sqlite3.connect(dbpath)    #链接数据库
    cur=conn.cursor()   #游标
    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()
    print("save done....")


#创建数据库
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()
    print("爬取完毕")