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. PHP实现日历签到,并实现累计积分功能

    在网站开发过程中我们会经常用到签到功能来奖励用户积分,或者做一些其他活动.这次项目开发过程中做了日历签到,因为没有经验所有走了很多弯路,再次记录过程和步骤. 1.日历签到样式:使用的是calendar ...

  2. lqb 基础练习 字母图形 (循环)

    基础练习 字母图形 时间限制:1.0s   内存限制:256.0MB     问题描述 利用字母可以组成一些美丽的图形,下面给出了一个例子: ABCDEFG BABCDEF CBABCDE DCBAB ...

  3. 领扣(LeetCode)转置矩阵 个人题解

    给定一个矩阵 A, 返回 A 的转置矩阵. 矩阵的转置是指将矩阵的主对角线翻转,交换矩阵的行索引与列索引. 示例 1: 输入:[[1,2,3],[4,5,6],[7,8,9]] 输出:[[1,4,7] ...

  4. Ubuntu 16.04 安装Docker

    1 更改apt源,更改前先对sources.list文件进行备分 ccskun@test:~$ sudo cp /etc/apt/sources.list /etc/apt/sources.list. ...

  5. web自动化测试启示篇

    1.首先,对于想学自动化测试的朋友,那么你得懂一种语言,常用的比如Java或者Python.因为没有语言基础,你是写不出自动化脚本的. 我个人选择java 2.有了开发语言的铺垫,那么开始入手Sele ...

  6. linux内核的tiny rcu, tree rcu

    kernel中有两个rcu的实现,一个是tiny rcu,另一个是tree rcu.这两种rcu的前身都是classic rcu.如果要阅读classic rcu的实现代码,必须找kernel 2.6 ...

  7. UML分析AsyncDisplayKit框架-ASMuplexImageNode异步下载时序图。

    PS:博客园图片服务器不正常工作,数据上传后服务器返回http500,园方迟迟还没解决. 我从2016-01-18 05:52向园方反馈问题-请问博客园的图片服务器有在正常运行吗,至此时2016-01 ...

  8. 20191107-10 beta发布

    此作业要求参见https://edu.cnblogs.com/campus/nenu/2019fall/homework/9962 1.视频地址:https://v.youku.com/v_show/ ...

  9. Java关于Resource leak: 's' is never closed的问题

    Resource leak: 's' is never closed的问题 问题:在编写Java时出现了Resource leak: 's' is never closed的问题,也就是对象s下面的波 ...

  10. FullGC排查心得

    最近线上系统(JDK1.7)出现了多次FullGC,但是情况都不一样,今天有时间,将FullGC的排查思路以及如何解决记录下,供大家一起探讨. 场景一: 系统发布上线之后,里面收到如下告警信息: 内容 ...