黑马程序员技术交流社区

标题: 【上海校区】Python爬取电影天堂 [打印本页]

作者: 不二晨 时间: 2018-11-5 09:29
标题: 【上海校区】Python爬取电影天堂

前言：

本文非常浅显易懂，可以说是零基础也可快速掌握。如有疑问，欢迎留言，笔者会第一时间回复。本文代码存于github

一、爬虫的重要性：

如果把互联网比喻成一个蜘蛛网，那么Spider就是在网上爬来爬去的蜘蛛。网络蜘蛛通过网页的链接地址来寻找网页，从网站某一个页面（通常是首页）开始，读取网页的内容，找到在网页中的其它链接地址，然后通过这些链接地址寻找下一个网页，一直循环下去，直到把整个网站所有的网页都抓取完为止。

摘取部分网友的回复：1、之前在北京买房，谁想房价开始疯长，链家的房价等数据分析只给了一小部分，远远不能满足自己的需求。于是晚上花了几个小时的时间写了个爬虫，爬下了北京所有的小区信息及北京所有小区的所有历史成交记录。
2、我的爱人是某网络公司的销售，需要收集各种企业信息然后打电话联系。于是乎利用采集脚本抓一坨一坨的资料给她用，而她的同事天天自己搜资料整理到半夜。
二、实践：爬取电影天堂电影详情页1、网页分析及爬取第一页的详情页url从电影天堂最新电影界面。可以看到其第一页url为 www.ygdy8.net/html/gndy/d…，第二页为www.ygdy8.net/html/gndy/d…，第三第四页也类似
from lxml import etreeimport requestsurl = 'http://www.ygdy8.net/html/gndy/dyzz/list_23_1.html'headers = { 'User_Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',}response = requests.get(url,headers=headers)# response.text 是系统自己默认判断。但很遗憾判断错误，导致乱码出现。我们可以采取另外方式 response.content。自己指定格式解码# print(response.text)# print(response.content.decode('gbk'))print(response.content.decode(encoding="gbk", errors="ignore"))复制代码先以第一页为例，打印数据如下：

分析电影天堂 html 源代码，可以得出每个 table 标签就是一个电影

通过 xpath 拿到每个电影的详情url
html = etree.HTML(text)detail_urls = html.xpath("//table[@class='tbspan']//a/@href")for detail_url in detail_urls: print(detail_url) #加上域名即为详情 url复制代码结果如下：

2、整理代码并爬取前7页的电影列表urlfrom lxml import etreeimport requests# 域名BASE_DOMAIN = 'http://www.ygdy8.net'# url = 'http://www.ygdy8.net/html/gndy/dyzz/list_23_1.html'HEADERS = { 'User_Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',}def spider(): base_url = 'http://www.ygdy8.net/html/gndy/dyzz/list_23_{}.html' for x in range(1,8): url = base_url.format(x) print(url) # 求出每一页电影列表的url eg: http://www.ygdy8.net/html/gndy/dyzz/list_23_1.htmlif __name__ == '__main__': spider()复制代码3、爬取每一部电影的详情页地址def get_detail_urls(url): response = requests.get(url, headers=HEADERS) # response.text 是系统自己默认判断。但很遗憾判断错误，导致乱码出现。我们可以采取另外方式 response.content。自己指定格式解码 # print(response.text) # print(response.content.decode('gbk')) # print(response.content.decode(encoding="gbk", errors="ignore")) text = response.content.decode(encoding="gbk", errors="ignore") # 通过 xpath 拿到每个电影的详情url html = etree.HTML(text) detail_urls = html.xpath("//table[@class='tbspan']//a/@href") detail_urls = map(lambda url:BASE_DOMAIN+url,detail_urls) #这句意思相当于下面一段代码:替换列表中的每一个url # def abc(url): # return BASE_DOMAIN+url # index = 1 # for detail_url in detail_urls: # detail_url = abc(detail_url) # detail_urls[index] = detail_url # index+1 return detail_urls复制代码4、抓取电影详情页的数据

# 解析详情页面def parse_detail_page(url): movie = {} response = requests.get(url,headers = HEADERS) text = response.content.decode('gbk', errors='ignore') html = etree.HTML(text) # title = html.xpath("//div[@class='title_all']//font[@color='#07519a']") # 本行47行，下面已修改 # 打印出 [<Element font at 0x10cb422c8>, <Element font at 0x10cb42308>] # print(title) # 为了显示，我们需要转一下编码 # for x in title: # print(etree.tostring(x,encoding='utf-8').decode('utf-8')) # 我们是为了取得文字，所以修改47行 title = html.xpath("//div[@class='title_all']//font[@color='#07519a']/text()")[0] movie['title'] = title zoomE = html.xpath("//div[@id='Zoom']") [0] # 求出共同的顶级容器，方便后面求职 imgs = zoomE.xpath(".//img/@src") # 求出海报和截图 cover = imgs[0] if len(imgs) > 1: screenshot = imgs[1] movie['screenshot'] = screenshot # print(cover) movie['cover'] = cover infos = zoomE.xpath(".//text()") for index,info in enumerate(infos): if info.startswith('◎年&emsp;&emsp;代'): info = info.replace("◎年&emsp;&emsp;代", "").strip() # strip 去掉空格 movie['year'] = info elif info.startswith("◎产&emsp;&emsp;地"): info = info.replace("◎产&emsp;&emsp;地", "").strip() movie["country"] = info elif info.startswith("◎类&emsp;&emsp;别"): info = info.replace("◎类&emsp;&emsp;别", "").strip() movie["category"] = info elif info.startswith("◎豆瓣评分"): info = info.replace("◎豆瓣评分", "").strip() movie["douban_rating"] = info elif info.startswith("◎片&emsp;&emsp;长"): info = info.replace("◎片&emsp;&emsp;长","").strip() movie["duration"] = info elif info.startswith("◎导&emsp;&emsp;演"): info = info.replace("◎导&emsp;&emsp;演", "").strip() movie["director"] = info elif info.startswith("◎主&emsp;&emsp;演"): # info = info.replace("◎主&emsp;&emsp;演", "").strip() # 因为主演有很多个，再加上其在电影天堂中元素的特殊性，需要遍历一遍，在分别求出每一个演员 actors = [] for x in range(index+1,len(infos)): # 从演员 infos 开始遍历，求出每一个演员 actor = infos[x].strip() if actor.startswith("◎"): # 也就是到了标签的 ◎ 就退出 break actors.append(actor) movie['actor'] = actors elif info.startswith('◎简&emsp;&emsp;介 '): # info = info.replace('◎简&emsp;&emsp;介 ',"").strip() for x in range(index+1,len(infos)): if infos[x].startswith("◎获奖情况"): break profile = infos[x].strip() movie['profile'] = profile # print(movie) elif info.startswith('◎获奖情况 '): awards = [] # info = info.replace("◎获奖情况 ", "").strip() for x in range(index+1,len(infos)): if infos[x].startswith("【下载地址】"): break award = infos[x].strip() awards.append(award) movie['awards'] = awards # print(awards) download_url = html.xpath("//td[@bgcolor='#fdfddf']/a/@href")[0] movie['download_url'] = download_url return movie复制代码

上述代码爬取了电影的每一个数据。为了让读者方便对照格式，笔者已经下载了写此篇文章时的html—— "movie.html"，放于github 中

最后结果：

【转载】
作者：Dwyane_Coding
链接：https://juejin.im/post/5bdad392e51d451c5b474a35

作者: 不二晨 时间: 2018-11-7 09:06

ヾ(◍°∇°◍)ﾉﾞ

作者: 梦缠绕的时候 时间: 2018-11-8 16:53

作者: 魔都黑马少年梦 时间: 2018-11-8 17:06

欢迎光临黑马程序员技术交流社区 (http://bbs.itheima.com/)

黑马程序员IT技术论坛 X3.2