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

  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!

Python爬虫实现抓取腾讯视频所有电影【实战必学】的更多相关文章

  1. 用python实现的抓取腾讯视频所有电影的爬虫

    1. [代码]用python实现的抓取腾讯视频所有电影的爬虫    # -*- coding: utf-8 -*-# by awakenjoys. my site: www.dianying.atim ...

  2. 【Python3 爬虫】16_抓取腾讯视频评论内容

    上一节我们已经知道如何使用Fiddler进行抓包分析,那么接下来我们开始完成一个简单的小例子 抓取腾讯视频的评论内容 首先我们打开腾讯视频的官网https://v.qq.com/ 我们打开[电视剧]这 ...

  3. 【转】Python爬虫:抓取新浪新闻数据

    案例一 抓取对象: 新浪国内新闻(http://news.sina.com.cn/china/),该列表中的标题名称.时间.链接. 完整代码: from bs4 import BeautifulSou ...

  4. Python爬虫:抓取新浪新闻数据

    案例一 抓取对象: 新浪国内新闻(http://news.sina.com.cn/china/),该列表中的标题名称.时间.链接. 完整代码: from bs4 import BeautifulSou ...

  5. Python爬虫,抓取淘宝商品评论内容!

    作为一个资深吃货,网购各种零食是很频繁的,但是能否在浩瀚的商品库中找到合适的东西,就只能参考评论了!今天给大家分享用python做个抓取淘宝商品评论的小爬虫! 思路 我们就拿"德州扒鸡&qu ...

  6. python爬虫:抓取下载电影文件,合并ts文件为完整视频

    目标网站:https://www.88ys.cc/vod-play-id-58547-src-1-num-1.html 反贪风暴4 对电影进行分析 我们发现,电影是按片段一点点加载出来的,我们分别抓取 ...

  7. python爬虫数据抓取方法汇总

    概要:利用python进行web数据抓取方法和实现. 1.python进行网页数据抓取有两种方式:一种是直接依据url链接来拼接使用get方法得到内容,一种是构建post请求改变对应参数来获得web返 ...

  8. python爬虫批量抓取ip代理

    使用爬虫抓取数据时,经常要用到多个ip代理,防止单个ip访问太过频繁被封禁.ip代理可以从这个网站获取:http://www.xicidaili.com/nn/.因此写一个python程序来获取ip代 ...

  9. Python爬虫:抓取手机APP的数据

    摘要 大多数APP里面返回的是json格式数据,或者一堆加密过的数据 .这里以超级课程表APP为例,抓取超级课程表里用户发的话题. 1.抓取APP数据包 表单: 表单中包括了用户名和密码,当然都是加密 ...

随机推荐

  1. mysql-大量数据的sql查询优化

    1.应尽量避免在 where 子句中使用!=或<>操作符,否则将引擎放弃使用索引而进行全表扫描. 2.对查询进行优化,应尽量避免全表扫描,首先应考虑在 where 及 order by 涉 ...

  2. C++中对C的扩展学习新增内容———面向对象(封装)

    面向对象(封装) 1.对封装的理解: 1.封装就是把变量和函数放在一起统一表示某一个食物. class 2.给类内部的成员增加访问控制权限. 3.封装的语法就是class定义一个类. 2.给对象成员增 ...

  3. 破解微擎安装,免费搭建微擎,免费破解微擎,微擎破解版本,最新版本V2.1.2,一键安装!!

    ​ 微擎是一款基于WEB2.0(PHP+Mysql)技术架构,免费开源的公众平台管理系统,一款致力于将小程序和公众号商业化.智慧化.场景化的自助引擎.微擎提供公众号.微信小程序.支付宝小程序.百度熊掌 ...

  4. python:collections模块

    Counter类 介绍:A counter tool is provided to support convenient and rapid tallies 构造:class collections. ...

  5. Ubuntu 16.04 更改apt源

    1 修改apt源配置文件,把/etc/apt/sources.list替换为以下内容: sudo gedit /etc/apt/sources.list deb http://mirrors.aliy ...

  6. 学习记录:《C++设计模式——李建忠主讲》5.“对象性能”模式

    对象性能模式:面向对象很好地解决了抽象地问题,但是必不可免地要付出一定地代价.对于通常情况来讲,面向对象地成本大都可以忽略不计,但某些情况,面向对象所带来地成本必须谨慎处理. 典型模式:单件模式(Si ...

  7. Blocked a frame with origin XXX from accessing a cross-origin 。iframe跨域问题

    在前端开发的过程中,我们常常会用到iframe去在我们的页面中引用一个子页面,而父子页面又常常会有交互.在同域情况下,子页面如果想要访问父页面中的window对象中的方法的话,直接在当前页面中使用wi ...

  8. 【Flink】Flink基础之WordCount实例(Java与Scala版本)

    简述 WordCount(单词计数)作为大数据体系的标准示例,一直是入门的经典案例,下面用java和scala实现Flink的WordCount代码: 采用IDEA + Maven + Flink 环 ...

  9. 浅谈.NET中的反射

    一.概述  1.通过反射可以提供类型信息,从而使得我们开发人员在运行时能够利用这些信息构造和使用对象 2.反射机制允许程序在执行过程中动态地添加各种功能 二.运行时类型标识 1.运行时类型标志(RTT ...

  10. SpringBoot学习(六)—— springboot快速整合RabbitMQ

    目录 Rabbit MQ消息队列 简介 Rabbit MQ工作模式 交换机模式 引入RabbitMQ队列 代码实战 Rabbit MQ消息队列 @ 简介 优点 erlang开发,并发能力强. 社区活跃 ...