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
-
# -*- 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
-
-
#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
-
'''
-
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。
-
'''
-
-
#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
-
-
#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
-
-
-
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)
-
-
-
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 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"
-
-
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 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
-
-
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)
-
time.sleep(0.1)
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
-
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 ...
-
【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 ...
-
【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 ...
-
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 ...
-
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 ...
-
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 ...
-
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 ...
-
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 ...
-
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
-
C/C++入门---运算符
1, 运算符的优先级 C语言的运算符共有15个优先级,各运算符及其优先级和结合律如下: 运算符 结合律 ()[]-> 从左到右 !~++ -- +(正号) -(负号) *(指针取址符) (typ ...
-
2.1顺序容器-vector
vector 1) * :使用vector必须包含vector头文件.可变长的动态数组,支持随机访问,所有STL算法都可以对vector进行操作. ** :随机根据下标访问某个元素的时间是一个常数 ...
-
id 和 instancetype
静态数据类型 默认情况下所有的数据类型都是静态数据类型 静态数据类型的特点: 1 在编译时就知道变量的类型 2 知道变量中有哪些属性和方法 3 在编译的时候就可以访问这些属性和方法 4 并且如果是通过 ...
-
mysql中插入多条记录-微软批处理
当向mysql中插入大量数据时,可以使用微软的批处理方式.这样可以防止内存溢出又提高了效率.我写了一个mysql中插入多条记录的例子.赋值代码可以直接使用. 1.首先需要添加两个dll MySql.D ...
-
原创《weex面向未来的架构》
最近一直在做weex的调研工作,整理之后给公司做了一次技术分享. 分享内容如下: 1:Weex是什么? 2: Weex目前能做什么? 3: Weex 如何调试 4: 剖析一下Weex原理 5: ...
-
display: table-cell的实用应用
概述 之前工作中碰到了一个垂直居中问题,最后通过查资料利用table-cell解决.于是打算总结一下有关table-cell的应用,记录下来,供以后开发时参考,相信对其他人也有用. 参考资料:我所知道 ...
-
Git branch 分支与合并分支
Git branch 分支 查看当前有哪些branch bixiaopeng@bixiaopengtekiMacBook-Pro xmrobotium$ git branch * master 新建一 ...
-
Linux 操作系统下,安装软件 apt-get、yum 的区别
Linux 操作系统主要分为两大类: RedHat系列:Redhat.Centos.Fedora等: Debian系列:Debian.Ubuntu等. yum(Yellow dog Updater, ...
-
Xming导致的SecureCRT远程登录的普通用户图形程序不能运行
SecureCRT+Xming,用惯之后感觉特别方便,就是绘制效率稍差,不过可以忍受. 但是今天发生奇怪错误: 启动liteide后一切正常,但是选择打开目录菜单后就崩溃退出: 重新连接没用: 重新连 ...
-
powershell配置Gvim
1.下载安装Gvim 我的安装目录在:C:\gVimPortable 配色方案目录:C:\gVimPortable\App\vim\vim72\colors 配置文件目录:C:\gVimPortabl ...