用python实现一个抓取电影的爬虫

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

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

class="clearfix _group" gname="mi_type" gtype="1">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('\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

    #
 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。

最后就是实现一个搜索或者展现的平台了，只是普通的从库中查询相应的信息并以Web方式展现出来，大家可用php、python、ruby、node.js等语言各显神通。如我的是用python的tornado框架实现的，地址是：http://www.dianying.at

 

转载于:https://www.cnblogs.com/awakenjoys/p/movie_search.html