使用python实现抓取腾讯视频所有电影的爬虫

作者:疯子程序员 时间:2022-05-09 12:19:03 

用python实现的抓取腾讯视频所有电影的爬虫


# -*- coding: utf-8 -*-
import re
import urllib2
from bs4import BeautifulSoup
import string, time
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
#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
#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
 #<ulclass="clearfix _group" gname="mi_type" gtype="1">
 tags_all = soup.find_all('ul', {'class' :'clearfix _group' ,'gname' :'mi_type'})
 #print len(tags_all), tags_all
 #print str(tags_all[1]).replace('\n','')
 #<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 tagin 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
#获取每个分类的页数
def get_pages(tag_url):
 tag_html = gethtml(tag_url)
 #divclass="paginator
 soup = BeautifulSoup(tag_html)   #过滤出标记页面的html
 #print soup
 #<divclass="mod_pagenav" id="pager">
 div_page = soup.find_all('div', {'class' :'mod_pagenav','id' :'pager'})
 #print div_page #len(div_page), div_page[0]
 #<aclass="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
def getmovielist(html):
 soup = BeautifulSoup(html)
 #<ulclass="mod_list_pic_130">
 divs = soup.find_all('ul', {'class' :'mod_list_pic_130'})
 #print divs
 for div_htmlin divs:
   div_html = str(div_html).replace('\n','')
   #print div_html
   getmovie(div_html)
def getmovie(html):
 global NUM
 global m_type
 global m_site
 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 moviein 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)
 #else:
 #  print"Not Find"
def getmovieinfo(url):
 html = gethtml(url)
 soup = BeautifulSoup(html)
 #pack pack_album album_cover
 divs = soup.find_all('div', {'class' :'pack pack_album album_cover'})
 #print divs[0]
 #<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>
 re_info = r'<a href=\"(.+?)\" target=\"new\" title=\"(.+?)\" wl=\".+?\"> </a>'
 p_info = re.compile(re_info, re.DOTALL)
 m_info = p_info.findall(str(divs[0]))
 if m_info:
   return m_info
 else:
   print"Not find movie info"
 return m_info
def insertdb(movieinfo):
 global conn
 movie_db = conn.dianying_at
 movies = movie_db.movies
 movies.insert(movieinfo)
if __name__ =="__main__":
 global conn
 tags_url ="http://v.qq.com/list/1_-1_-1_-1_1_0_0_20_0_-1_0.html"
 #print tags_url
 tags_html = gethtml(tags_url)
 #print tags_html
 tag_urls = gettags(tags_html)
 #print tag_urls
 for urlin 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 xin 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)
     time.sleep(0.1)

总结

以上所述是小编给大家介绍的使用python实现抓取腾讯视频所有电影的爬虫,希望对大家有所帮助,如果大家有任何疑问欢迎给我留言,小编会及时回复大家的!

来源:https://blog.csdn.net/qq_40196321/article/details/89190327

标签:python,抓取,爬虫
0
投稿

猜你喜欢

  • HTML 标签是否匹配检测代码

    2010-03-17 20:50:00
  • python中super()函数的理解与基本使用

    2023-07-02 08:00:33
  • python跳过第一行快速读取文件内容的实例

    2022-05-12 12:58:56
  • Python利用正则表达式从字符串提取数字

    2021-03-22 22:52:39
  • [欣赏] 情景互动广告

    2008-08-06 12:59:00
  • PHP设计模式之观察者模式浅析

    2023-05-27 12:20:11
  • Python asyncio的一个坑

    2022-04-06 20:58:28
  • 带农历的JavaScript日期时间js代码

    2010-08-01 10:29:00
  • 基于python判断字符串括号是否闭合{}[]()

    2022-03-25 15:58:45
  • 如何捕获人家站点的页面?

    2009-11-11 19:19:00
  • python 在mysql中插入null空值的操作

    2022-09-24 09:48:40
  • PHP中使用addslashes函数转义的安全性原理分析

    2023-08-16 10:31:22
  • Python使用xpath实现图片爬取

    2023-07-10 16:45:42
  • python 读写、创建 文件的方法(必看)

    2023-08-07 11:37:40
  • Python迭代和迭代器详解

    2023-11-20 08:52:28
  • ASP看代码学习CASE的用法

    2008-04-13 06:36:00
  • Pytorch搭建SRGAN平台提升图片超分辨率

    2022-10-03 14:02:01
  • Access中实现case when功能

    2009-04-28 13:02:00
  • 教你轻松了解MySQL数据库中的结果字符串

    2009-02-23 17:29:00
  • javascript对象概念大全

    2009-05-22 18:24:00
  • asp之家 网络编程 m.aspxhome.com