用python实现一个抓取腾讯电影的爬虫

jopen 11年前

实现思路:

抓取一个电影网站中的所有电影的思路如下:

  1. 根据一个URL得到电影网站的所有分类
  2. 得到每个分类中的电影的页数
  3. 根据其电影分类的URL规律构造每个分类中每个页面的URL
  4. 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:

  1. 安装python(我用的是mac系统,默认的版本是Python 2.7.1 )
  2. 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
  3. 安装BeautifulSoup和pymongo模块
  4. 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。

  1. 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:http://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:

# -*- coding: utf-8 -*-  import re  import urllib2  from bs4 import 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

gethtml方法,传入一个url,返回这个url的html内容:

#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

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="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>

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:

#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   #<ul class="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 tag in 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

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:

 for url in tag_urls.items():    print  str(url[1]).encode('utf-8') #,url[0]    maxpage = int(get_pages(str(url[1]).encode('utf-8')))    print maxpage

获取每个分类中有多少页电影的代码如下:

#获取每个分类的页数  def get_pages(tag_url):   tag_html = gethtml(tag_url)   #div class="paginator   soup = BeautifulSoup(tag_html)  #过滤出标记页面的html   #print soup   #<div class="mod_pagenav" id="pager">   div_page = soup.find_all('div', {'class' : 'mod_pagenav', 'id' : 'pager'})   #print div_page #len(div_page), div_page[0]     #<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>   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

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:

for x in 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)

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:

def getmovielist(html):   soup = BeautifulSoup(html)     #<ul class="mod_list_pic_130">   divs = soup.find_all('ul', {'class' : 'mod_list_pic_130'})   #print divs   for div_html in divs:    div_html = str(div_html).replace('\n', '')    #print div_html    getmovie(div_html)

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:

def getmovie(html):   global NUM   global m_type   global m_site     #<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>     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 movie in 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"

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