from bs4 import BeautifulSoup      #网页解析，获取数据 beautifulsoup4
import re         #正则表达式，进行文字匹配
import urllib.request,urllib.error  #指定URL,获取网页数据
import xlwt        #进行EXCEL操作
import sqlite3     #进行SQLite数据库操作
#安装方法File--Settings--Python Interpreter--+中寻找所需要的包(终端pip bs4)

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
#影片的片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#评价人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
#电影概况
findInq = re.compile(r'<span class="inq">(.*)</span>')
#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(边爬取边解析)
        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)


             #link为影片的详情链接
             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)

                 # link为影片的详情链接
                 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("/", "")  # 去掉标签里的符号/
                     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)  # 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)  # 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):
    headers = {  #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;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 70.0.3538.25 Safari / 537.36 Core / 1.70 .3868 .400 QQBrowser / 10.8 .4394 .400'
        # ctrl+shift+j快捷键合并到一行
    }
        #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（本质上告诉我们可以接受什么水平的文件内容）

    request = urllib.request.Request(url, headers=headers)
    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','影片外文名','评分','评价数','概述','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])

    book.save(savepath)                # 保存数据到student.xls中


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,introduction,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 ,
        introduction 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__':
    main()
    # init_db('movietest.db')
    print('爬取完毕')