Python爬虫学习：抓取电影网站内容的爬虫

实现思路：

抓取一个电影网站中的所有电影的思路如下：

根据一个URL得到电影网站的所有分类

得到每个分类中的电影的页数

根据其电影分类的URL规律构造每个分类中每个页面的URL

分析每个页面中的html，并用正则把电影信息过滤出来

准备工作：

安装python（我用的是mac系统，默认的版本是Python 2.7.1 ）

安装mongodb，从官网下载最新版本，然后启动即可，注意如放在外网的话，要设定验证密码或绑定地址为127.0.0.1，否则黑客轻易就进去了

安装BeautifulSoup和pymongo模块

安装一个python编辑器，我个人喜欢用sublime text2

编写部分：

这次以腾讯视频为例，其他视频网站只是换一下正则表达式。

根据视频所有分类的URL获取网站中所有视频分类

腾讯的所有视频的URL为：http://v.qq.com/list/1_-1_-1_-1_1_0_0_20_0_-1_0.html

首先我们import urllib2包，封装一个读取url中html的方法，详细代码如下：

导入需要的模块并定义全局变量：

# -*- coding: utf-8 -*-

import re

import urllib2

from bs4 import BeautifulSoup

import string

import pymongo

NUM = 0 #全局变量,电影数量

m_type = u'' #全局变量,电影类型

m_site = u'qq' #全局变量,电影网站

gethtml方法，传入一个url，返回这个url的html内容：

#根据指定的URL获取网页内容

def gethtml(url):

req = urllib2.Request(url)

response = urllib2.urlopen(req)

html = response.read()

return html

然后查看这个URL的源码文件，得知其电影分类的信息在

标签内部，每条电信分类的格式为：

动作

ok，我们再写一个gettags方法，将所有的电影分类及url存放于一个字典中，代码如下：#从电影分类列表页面获取电影分类

def gettags(html):

global m_type

soup = BeautifulSoup(html) #过滤出分类内容

#print soup

#

tags_all = soup.find_all('ul', {'class' : 'clearfix _group' , 'gname' : 'mi_type'})

#分离出包含电影分类信息的html，接下来用正则表达式过滤出来，只用(.+?)匹配我们兴趣的字段即可

#动作

re_tags = r'.+?'

p = re.compile(re_tags, re.DOTALL)

tags = p.findall(str(tags_all[0]))

if tags:

tags_url = {}

#print tags

for tag in tags:

tag_url = tag[0].decode('utf-8')

#print tag_url

m_type = tag[1].decode('utf-8')

tags_url[m_type] = tag_url

else:

print "Not Find"

return tags_url

接下来用一个循环分类获取每个分类下电影的页数，代码如下：

for url in tag_urls.items():

print str(url[1]).encode('utf-8') #,url[0]

maxpage = int(get_pages(str(url[1]).encode('utf-8')))

print maxpage

获取每个分类中有多少页电影的代码如下：

#获取每个分类的页数

def get_pages(tag_url):

tag_html = gethtml(tag_url)

#div class="paginator

soup = BeautifulSoup(tag_html) #过滤出标记页面的html

#print soup

#

div_page = soup.find_all('div', {'class' : 'mod_pagenav', 'id' : 'pager'})

#print div_page #len(div_page), div_page[0]

#25

re_pages = r'(.+?)'

p = re.compile(re_pages, re.DOTALL)

pages = p.findall(str(div_page[0]))

#print pages

if len(pages) > 1:

return pages[-2]

else:

return 1

然后在每个分类中，根据其URL的规律生成具体的每页的URL，详细代码如下：

for url in tag_urls.items():

print str(url[1]).encode('utf-8') #,url[0]

maxpage = int(get_pages(str(url[1]).encode('utf-8')))

print maxpage

for x in range(0, maxpage):

#http://v.qq.com/list/1_0_-1_-1_1_0_0_20_0_-1_0.html

m_url = str(url[1]).replace('0_20_0_-1_0.html', '')

movie_url = "%s%d_20_0_-1_0.html" % (m_url, x)

print movie_url

movie_html = gethtml(movie_url.encode('utf-8'))

#print movie_html

getmovielist(movie_html)

getmovielist函数的作用是将每页地址返回的html传入，然后从中过滤出电影信息所在的html块，详细代码如下：

def getmovielist(html):

soup = BeautifulSoup(html)

#

divs = soup.find_all('ul', {'class' : 'mod_list_pic_130'})

#print divs

for div_html in divs:

div_html = str(div_html).replace('

', '')

#print div_html

getmovie(div_html)

将过滤出来的包含电影信息的html代码块传入getmovie函数来分离出具体的电影信息并入库，详细代码如下：

def getmovie(html):

global NUM #电影数量

global m_type #电影类型

global m_site #电影所在网站

# 徒步旅行队

法国卖座喜剧片

徒步旅行队

地区: 法国 导演: 年代: 2009 类型: 喜剧

理查德·达奇拥有一家小的旅游公司，主要经营法国游客到非洲大草原的旅游服务。六个法国游客决定参加理查德·达奇组织的到非洲的一...

re_movie = r'

'

p = re.compile(re_movie, re.DOTALL)

movies = p.findall(html)

if movies:

conn = pymongo.Connection('localhost', 27017)

movie_db = conn.dianying

playlinks = movie_db.playlinks

#print movies

for movie in movies:

#print movie

NUM += 1

print "%s : %d" % ("=" * 70, NUM)

values = dict(

movie_title = movie[1],

movie_url = movie[0],

movie_site = m_site,

movie_type = m_type

)

print values

playlinks.insert(values)

print "_" * 70

NUM += 1

print "%s : %d" % ("=" * 70, NUM)

总结一下：爬虫实现的原理就是通过对其网页内容规律的观察，然后分离出包含我们感兴趣的html代码块，然后用正则表达式从将这些代码块中将想要的信息分离出来。

来源网络，侵权联系删除