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：

1. 根据一个URL得到电影网站的所有分类
2. 得到每个分类中的电影的页数
3. 根据其电影分类的URL规律构造每个分类中每个页面的URL
4. 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：

1. 安装python（我用的是mac系统，默认的版本是Python 2.7.1 ）
2. 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
3. 安装BeautifulSoup和pymongo模块
4. 安装一个python编辑器，我个人喜欢用sublime text2
5. 
   

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。

1. 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<ul class="clearfix _group" gname="mi_type" gtype="1">标签内部，每条电信分类的格式为：

<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>

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
 #<ul class="clearfix _group" gname="mi_type" gtype="1">
 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
 #<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>
 re_tags = r'<a _hot=\"tag\.sub\" class=\"_gtag _hotkey\" href=\"(.+?)\" title=\"(.+?)\" tvalue=\"(.+?)\">.+?</a>'
 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 class="mod_pagenav" id="pager">
 div_page = soup.find_all('div', {'class' : 'mod_pagenav', 'id' : 'pager'})
 #print div_page #len(div_page), div_page[0]
 #<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>
 re_pages = r'<a class=.+?><span>(.+?)</span></a>'
 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)
 #<ul class="mod_list_pic_130">
 divs = soup.find_all('ul', {'class' : 'mod_list_pic_130'})
 #print divs
 for div_html in divs:
 div_html = str(div_html).replace('\n', '')
 #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
 #<h6 class="caption"> <a href="http://www.tudou.com/albumcover/Z7eF_40EL4I.html" target="_blank" title="徒步旅行队">徒步旅行队</a> </h6> <ul class="info"> <li class="desc">法国卖座喜剧片</li> <li class="cast"> </li> </ul> </div> <div class="ext ext_last"> <div class="ext_txt"> <h3 class="ext_title">徒步旅行队</h3> <div class="ext_info"> <span class="ext_area">地区: 法国</span> <span class="ext_cast">导演: </span> <span class="ext_date">年代: 2009</span> <span class="ext_type">类型: 喜剧</span> </div> <p class="ext_intro">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...</p>
 re_movie = r'<li><a class=\"mod_poster_130\" href=\"(.+?)\" target=\"_blank\" title=\"(.+?)\"><img.+?</li>'
 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