实现思路:
抓取一个电影网站中的所有电影的思路如下:
- 根据一个URL得到电影网站的所有分类
- 得到每个分类中的电影的页数
- 根据其电影分类的URL规律构造每个分类中每个页面的URL
- 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:
- 安装python(我用的是mac系统,默认的版本是Python 2.7.1 )
- 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
- 安装BeautifulSoup和pymongo模块
- 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。
- 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://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:
01 | # -*- coding: utf-8 -*- |
04 | from bs4 import BeautifulSoup |
09 | m_type = u '' #全局变量,电影类型 |
10 | 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:
3 | req = urllib2.Request(url) |
4 | response = urllib2.urlopen(req) |
然后查看这个URL的源码文件,得知其电影分类的信息在<ul class="clearfix _group" gname="mi_type" gtype="1">标签内部,每条电信分类的格式为:
<a _hot="tag.sub" class="_gtag _hotkey" href="//v.qq.com/list/1_0_-1_-1_1_0_0_20_0_-1_0.html" title="动作" tvalue="0">动作</a>
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:
04 | soup = BeautifulSoup(html) #过滤出分类内容 |
06 | #<ul class="clearfix _group" gname="mi_type" gtype="1"> |
07 | tags_all = soup.find_all( 'ul' , { 'class' : 'clearfix _group' , 'gname' : 'mi_type' }) |
08 | #print len(tags_all), tags_all |
09 | #print str(tags_all[1]).replace('\n', '') |
11 | #<a _hot="tag.sub" class="_gtag _hotkey" href="//v.qq.com/list/1_0_-1_-1_1_0_0_20_0_-1_0.html" title="动作" tvalue="0">动作</a> |
12 | re_tags = r '<a _hot=\"tag\.sub\" class=\"_gtag _hotkey\" href=\"(.+?)\" title=\"(.+?)\" tvalue=\"(.+?)\">.+?</a>' |
13 | p = re. compile (re_tags, re.DOTALL) |
15 | tags = p.findall( str (tags_all[ 0 ])) |
20 | tag_url = tag[ 0 ].decode( 'utf-8' ) |
22 | m_type = tag[ 1 ].decode( 'utf-8' ) |
23 | tags_url[m_type] = tag_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:
1 | for url in tag_urls.items(): |
2 | print str (url[ 1 ]).encode( 'utf-8' ) #,url[0] |
3 | maxpage = int (get_pages( str (url[ 1 ]).encode( 'utf-8' ))) |
获取每个分类中有多少页电影的代码如下:
02 | def get_pages(tag_url): |
03 | tag_html = gethtml(tag_url) |
05 | soup = BeautifulSoup(tag_html) #过滤出标记页面的html |
07 | #<div class="mod_pagenav" id="pager"> |
08 | div_page = soup.find_all( 'div' , { 'class' : 'mod_pagenav' , 'id' : 'pager' }) |
09 | #print div_page #len(div_page), div_page[0] |
11 | #<a class="c_txt6" href="//v.qq.com/list/1_2_-1_-1_1_0_24_20_0_-1_0.html" title="25"><span>25</span></a> |
12 | re_pages = r '<a class=.+?><span>(.+?)</span></a>' |
13 | p = re. compile (re_pages, re.DOTALL) |
14 | pages = p.findall( str (div_page[ 0 ])) |
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:
1 | for x in range ( 0 , maxpage): |
2 | #//v.qq.com/list/1_0_-1_-1_1_0_0_20_0_-1_0.html |
3 | m_url = str (url[ 1 ]).replace( '0_20_0_-1_0.html' , '') |
4 | movie_url = "%s%d_20_0_-1_0.html" % (m_url, x) |
6 | movie_html = gethtml(movie_url.encode( 'utf-8' )) |
8 | 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:
01 | def getmovielist(html): |
02 | soup = BeautifulSoup(html) |
04 | #<ul class="mod_list_pic_130"> |
05 | divs = soup.find_all( 'ul' , { 'class' : 'mod_list_pic_130' }) |
08 | div_html = str (div_html).replace( '\n' , '') |
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:
06 | #<h6 class="caption"> <a href="http://www.tudou.com/albumcover/Z7eF_40EL4I.html" target="_blank" title="徒步旅行队">徒步旅行队</a> </h6> <ul class="info"> <li class="desc">法国卖座喜剧片</li> <li class="cast"> </li> </ul> </div> <div class="ext ext_last"> <div class="ext_txt"> <h3 class="ext_title">徒步旅行队</h3> <div class="ext_info"> <span class="ext_area">地区: 法国</span> <span class="ext_cast">导演: </span> <span class="ext_date">年代: 2009</span> <span class="ext_type">类型: 喜剧</span> </div> <p class="ext_intro">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...</p> |
08 | re_movie = r '<li><a class=\"mod_poster_130\" href=\"(.+?)\" target=\"_blank\" title=\"(.+?)\"><img.+?</li>' |
09 | p = re.compile(re_movie, re. DOTALL ) |
10 | movies = p.findall(html) |
12 | conn = pymongo.Connection( 'localhost' , 27017 ) |
13 | movie_db = conn.dianying |
14 | playlinks = movie_db.playlinks |
19 | print "%s : %d" % ( "=" * 70 , NUM ) |
21 | movie_title = movie[ 1 ], |
27 | playlinks.insert(values) |
30 | 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
本站仅提供存储服务,所有内容均由用户发布,如发现有害或侵权内容,请
点击举报。