您的位置:首页 > 脚本大全 > > 正文

如何用python爬取最新电影(使用python实现抓取腾讯视频所有电影的爬虫)

更多 时间:2021-10-16 00:37:04 类别:脚本大全 浏览量:2284

如何用python爬取最新电影

使用python实现抓取腾讯视频所有电影的爬虫

用python实现的抓取腾讯视频所有电影的爬虫

  • ?
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 65
  • 66
  • 67
  • 68
  • 69
  • 70
  • 71
  • 72
  • 73
  • 74
  • 75
  • 76
  • 77
  • 78
  • 79
  • 80
  • 81
  • 82
  • 83
  • 84
  • 85
  • 86
  • 87
  • 88
  • 89
  • 90
  • 91
  • 92
  • 93
  • 94
  • 95
  • 96
  • 97
  • 98
  • 99
  • 100
  • 101
  • 102
  • 103
  • 104
  • 105
  • 106
  • 107
  • 108
  • 109
  • 110
  • 111
  • 112
  • 113
  • 114
  • 115
  • 116
  • 117
  • 118
  • 119
  • 120
  • 121
  • 122
  • 123
  • 124
  • 125
  • 126
  • 127
  • 128
  • 129
  • 130
  • 131
  • 132
  • 133
  • 134
  • 135
  • 136
  • # -*- 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)
  •   #liclass="paginator
  •   soup = beautifulsoup(tag_html)   #过滤出标记页面的html
  •   #print soup
  •   #<liclass="mod_pagenav" id="pager">
  •   li_page = soup.find_all('li', {'class' :'mod_pagenav','id' :'pager'})
  •   #print li_page #len(li_page), li_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(li_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">
  •   lis = soup.find_all('ul', {'class' :'mod_list_pic_130'})
  •   #print lis
  •   for li_htmlin lis:
  •     li_html = str(li_html).replace('\n','')
  •     #print li_html
  •     getmovie(li_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
  •   lis = soup.find_all('li', {'class' :'pack pack_album album_cover'})
  •   #print lis[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(lis[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!

    原文链接:https://blog.csdn.net/qq_40196321/article/details/89190327

    标签:爬虫 Python 抓取
    您可能感兴趣