用python实现的抓取腾讯视频所有电影的爬虫

更新时间:2019-04-12 11:44:01点击次数:221次
用python实现的抓取腾讯视频所有电影的爬虫(文章不错,所以进行了转载)

# -*- 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)

本站文章版权归原作者及原出处所有 。内容为作者个人观点, 并不代表本站赞同其观点和对其真实性负责,本站只提供参考并不构成任何投资及应用建议。本站是一个个人学习交流的平台,网站上部分文章为转载,并不用于任何商业目的,我们已经尽可能的对作者和来源进行了通告,但是能力有限或疏忽,造成漏登,请及时联系我们,我们将根据著作权人的要求,立即更正或者删除有关内容。本站拥有对此声明的最终解释权。

  • 项目经理 点击这里给我发消息
  • 项目经理 点击这里给我发消息
  • 项目经理 点击这里给我发消息
  • 项目经理 点击这里给我发消息