欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python爬虫实现抓取腾讯视频所有电影【实战必学】

程序员文章站 2022-06-11 17:14:22
2019-06-27 23:51:51 阅读数 407 收藏 更多 分类专栏: python爬虫 前言本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。作者: Python新手学习之家 用python实现的抓取腾讯视频所有电影的爬虫 ......

 

前言
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。
作者: python新手学习之家

用python实现的抓取腾讯视频所有电影的爬虫

Python爬虫实现抓取腾讯视频所有电影【实战必学】

  1.  
    # -*- coding: utf-8 -*-
  2.  
    import re
  3.  
    import urllib2
  4.  
    from bs4 import beautifulsoup
  5.  
    import string, time
  6.  
    import pymongo
  7.  
     
  8.  
    num = 0 #全局变量,电影数量
  9.  
    m_type = u'' #全局变量,电影类型
  10.  
    m_site = u'qq' #全局变量,电影网站
  11.  
     
  12.  
    #根据指定的url获取网页内容
  13.  
    def gethtml(url):
  14.  
    req = urllib2.request(url)
  15.  
    response = urllib2.urlopen(req)
  16.  
    html = response.read()
  17.  
    return html
  18.  
    '''
  19.  
    在学习过程中有什么不懂得可以加我的python学习交流扣扣qun,934109170,群里有不错的学习教程与开发工具。
  20.  
    '''
  21.  
     
  22.  
    #从电影分类列表页面获取电影分类
  23.  
    def gettags(html):
  24.  
    global m_type
  25.  
    soup = beautifulsoup(html) #过滤出分类内容
  26.  
    #print soup
  27.  
    #<ul class="clearfix _group" gname="mi_type" gtype="1">
  28.  
    tags_all = soup.find_all('ul', {'class' : 'clearfix _group' , 'gname' : 'mi_type'})
  29.  
    #print len(tags_all), tags_all
  30.  
    #print str(tags_all[1]).replace('\n', '')
  31.  
     
  32.  
    #<a _hot="tag.sub" class="_gtag _hotkey" href="http://v.qq.com/list/1_0_-1_-1_1_0_0_20_0_-1_0.html"title="动作" tvalue="0">动作</a>
  33.  
    re_tags = r'<a _hot=\"tag\.sub\" class=\"_gtag _hotkey\" href=\"(.+?)\" title=\"(.+?)\" tvalue=\"(.+?)\">.+?</a>'
  34.  
    p = re.compile(re_tags, re.dotall)
  35.  
     
  36.  
    tags = p.findall(str(tags_all[0]))
  37.  
    if tags:
  38.  
    tags_url = {}
  39.  
    #print tags
  40.  
    for tag in tags:
  41.  
    tag_url = tag[0].decode('utf-8')
  42.  
    #print tag_url
  43.  
    m_type = tag[1].decode('utf-8')
  44.  
    tags_url[m_type] = tag_url
  45.  
     
  46.  
    else:
  47.  
    print "not find"
  48.  
    return tags_url
  49.  
     
  50.  
    #获取每个分类的页数
  51.  
    def get_pages(tag_url):
  52.  
    tag_html = gethtml(tag_url)
  53.  
    #div class="paginator
  54.  
    soup = beautifulsoup(tag_html) #过滤出标记页面的html
  55.  
    #print soup
  56.  
    #<div class="mod_pagenav" id="pager">
  57.  
    div_page = soup.find_all('div', {'class' : 'mod_pagenav', 'id' : 'pager'})
  58.  
    #print div_page #len(div_page), div_page[0]
  59.  
     
  60.  
    #<a class="c_txt6" href="http://v.qq.com/list/1_2_-1_-1_1_0_24_20_0_-1_0.html" title="25"><span>25</span></a>
  61.  
    re_pages = r'<a class=.+?><span>(.+?)</span></a>'
  62.  
    p = re.compile(re_pages, re.dotall)
  63.  
    pages = p.findall(str(div_page[0]))
  64.  
    #print pages
  65.  
    if len(pages) > 1:
  66.  
    return pages[-2]
  67.  
    else:
  68.  
    return 1
  69.  
     
  70.  
     
  71.  
    def getmovielist(html):
  72.  
    soup = beautifulsoup(html)
  73.  
     
  74.  
    #<ul class="mod_list_pic_130">
  75.  
    divs = soup.find_all('ul', {'class' : 'mod_list_pic_130'})
  76.  
    #print divs
  77.  
    for div_html in divs:
  78.  
    div_html = str(div_html).replace('\n', '')
  79.  
    #print div_html
  80.  
    getmovie(div_html)
  81.  
     
  82.  
     
  83.  
    def getmovie(html):
  84.  
    global num
  85.  
    global m_type
  86.  
    global m_site
  87.  
     
  88.  
    re_movie = r'<li><a class=\"mod_poster_130\" href=\"(.+?)\" target=\"_blank\" title=\"(.+?)\"><img.+?</li>'
  89.  
    p = re.compile(re_movie, re.dotall)
  90.  
    movies = p.findall(html)
  91.  
    if movies:
  92.  
    conn = pymongo.connection('localhost', 27017)
  93.  
    movie_db = conn.dianying
  94.  
    playlinks = movie_db.playlinks
  95.  
    #print movies
  96.  
    for movie in movies:
  97.  
    #print movie
  98.  
    num += 1
  99.  
    print "%s : %d" % ("=" * 70, num)
  100.  
    values = dict(
  101.  
    movie_title = movie[1],
  102.  
    movie_url = movie[0],
  103.  
    movie_site = m_site,
  104.  
    movie_type = m_type
  105.  
    )
  106.  
    print values
  107.  
    playlinks.insert(values)
  108.  
    print "_" * 70
  109.  
    num += 1
  110.  
    print "%s : %d" % ("=" * 70, num)
  111.  
     
  112.  
    #else:
  113.  
    # print "not find"
  114.  
     
  115.  
    def getmovieinfo(url):
  116.  
    html = gethtml(url)
  117.  
    soup = beautifulsoup(html)
  118.  
     
  119.  
    #pack pack_album album_cover
  120.  
    divs = soup.find_all('div', {'class' : 'pack pack_album album_cover'})
  121.  
    #print divs[0]
  122.  
     
  123.  
    #<a href="http://www.tudou.com/albumplay/9nyofxc_lhi/32jqhikjyki.html" target="new" title="《血滴子》独家纪录片" wl="1"> </a>
  124.  
    re_info = r'<a href=\"(.+?)\" target=\"new\" title=\"(.+?)\" wl=\".+?\"> </a>'
  125.  
    p_info = re.compile(re_info, re.dotall)
  126.  
    m_info = p_info.findall(str(divs[0]))
  127.  
    if m_info:
  128.  
    return m_info
  129.  
    else:
  130.  
    print "not find movie info"
  131.  
     
  132.  
    return m_info
  133.  
     
  134.  
     
  135.  
    def insertdb(movieinfo):
  136.  
    global conn
  137.  
    movie_db = conn.dianying_at
  138.  
    movies = movie_db.movies
  139.  
    movies.insert(movieinfo)
  140.  
     
  141.  
    if __name__ == "__main__":
  142.  
    global conn
  143.  
     
  144.  
    tags_url = "http://v.qq.com/list/1_-1_-1_-1_1_0_0_20_0_-1_0.html"
  145.  
    #print tags_url
  146.  
    tags_html = gethtml(tags_url)
  147.  
    #print tags_html
  148.  
    tag_urls = gettags(tags_html)
  149.  
    #print tag_urls
  150.  
     
  151.  
     
  152.  
    for url in tag_urls.items():
  153.  
    print str(url[1]).encode('utf-8') #,url[0]
  154.  
    maxpage = int(get_pages(str(url[1]).encode('utf-8')))
  155.  
    print maxpage
  156.  
     
  157.  
    for x in range(0, maxpage):
  158.  
    #http://v.qq.com/list/1_0_-1_-1_1_0_0_20_0_-1_0.html
  159.  
    m_url = str(url[1]).replace('0_20_0_-1_0.html', '')
  160.  
    movie_url = "%s%d_20_0_-1_0.html" % (m_url, x)
  161.  
    print movie_url
  162.  
    movie_html = gethtml(movie_url.encode('utf-8'))
  163.  
    #print movie_html
  164.  
    getmovielist(movie_html)
  165.  
    time.sleep(0.1)
 大工告成,以上代码大家都看明白了没? 如果你看不懂,建议你可以去小编的python交流.裙 :一久武其而而流一思(数字的谐音)转换下可以找到了,里面有最新python教程项目,多练习自然就懂了!