大数据 爬虫Python AI Sql

爬虫demo——爬取电影天堂的资源，存储到本地json文件

2018-09-28  本文已影响4人  振礼硕晨

电影天堂里面的数据还是非常丰富的，这次的爬虫demo，是对电影天堂中的电影数据进行爬取，包括电影片名，导演，主演，演员等信息以及最后的迅雷下载地址。
经过4000部电影的爬取测试，我对代码多次进行优化，目前为止已没有什么bug，至少可以顺利对网站中的电影进行爬取。

一、基本介绍

文章的最后，我会给出爬虫的完成代码，文章中的代码片段如果看上去比较乱的话，可以在了解爬虫步骤和思想之后，通过完成代码来梳理自己的思路。

本次爬虫使用到三个库，用于请求网页内容的requests库，用于对网页内容数据进行过滤处理的lxml库，已经用于json格式转换的json。

所以在使用之前要引入这些库，并且保证自己项目中包含这些库，如果没有，自行进行安装。

import requests
from lxml import etree
import json

二、分析电影的链接，为爬虫做准备

首先对电影天堂进行分析，我注意到网站首页有【2018新片精品】这一个版块，点击右边的更多按钮，可以来到电影的列表页。

通过对点一个列表页的分析，我发现这不仅仅是2018的最新电影，一共有179页，共4473条数据。仔细分析之后，发现最早的影片是2009年的。所以当时就决定对和4000多部电影进行爬取。

分析这些列表的URL，不难发现其中的规律，列表的URL如下：

其中首页比较特殊，我们第一次点进行，看到的URL是http://www.dytt8.net/html/gndy/dyzz/index.html，但是我们从其他页面跳转到首页，会发现地址为http://www.dytt8.net/html/gndy/dyzz/list_23_1.html，完全符合上面的规律。

于是我写了下面代码，一次性生成全部的电影列表页（第1页~第179页）的URL，并存储到列表中：

def movie_list_page():
    base_url = "http://www.dytt8.net/html/gndy/dyzz/list_23_{}.html"
    page_urls = []
    for x in range(1, 180):
        page_urls.append(base_url.format(x))

    return page_urls

现在我们只是获取到电影的列表页地址，下一步我们是要从这些列表页中，获取每一步电影的详情页面地址，比如对于《人类清除计划》这部电影，我们需要获取这个地址：http://www.dytt8.net/html/gndy/dyzz/20180919/57492.html。

明确这一点，下面我们要开始爬取列表页中的内容。这一步是非常简单的，简单看一下页面就会知道，这些电影的详情页地址肯定是很规律的。大多数是ul标签下的li标签或者是table标签，于是我写了下面这些代码，获取电影的详情页地址：

# 传入电影列表页地址，返回这一页中每一部电影的详情页面链接
def get_detail_url(url):
    BASE_DIMAIN = "http://www.dytt8.net"  # 定义基础域名
    response = requests.get(url, headers=HEADERS)
    text = response.text
    html = etree.HTML(text)
    detail_urls = html.xpath("//table[@class='tbspan']//a[@href!='/html/gndy/jddy/index.html']/@href")
    detail_urls = map(lambda x: BASE_DIMAIN + x, detail_urls)

    return detail_urls

三、请求电影的详情页面，过滤数据

现在我们拿到了所有的电影列表页地址，即从第1页到第179页的地址。在代码中使用循环语句，通过这些地址我们又能够获取每一页中所有电影的详情页面信息。这样一来我们就相当于成功一半，下面的工作就是请求电影详情页面中的数据，以及对这些数据进行过滤和处理。

首先我们使用requests库，将电影详情页面中的所有内容全部请求下来，然后获取存放电影信息的那块内容，缩小我们的数据范围，方便我们进一步过滤数据。代码如下：

movie = {}        # 用作后面的存放电影的数据
HEADERS = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"
}
detail_response = requests.get(url, headers=HEADERS)
detail_text = detail_response.content.decode(encoding="gb18030", errors="ignore")    # 注意这里设置的编码格式是根据电影天堂的编码格式来的，同时设置errors="ignore"，忽略一些极其特殊的字符的解码错误
detail_html = etree.HTML(detail_text)
if len(detail_html.xpath("//div[@id='Zoom']")) > 0:
    zoom = detail_html.xpath("//div[@id='Zoom']")[0]
else:
    return movie            # 说明没有爬取成功，直接跳过返回一个空字典，放弃对这一步电影的爬取

由于电影天堂中，关于电影内容的部分的数据表示不够明显，比如没有特定的class和id来标识。所有我们需要通过xpath语法中的text()获取表示电影内容的文本信息列表，然后对这些列表进行遍历，过滤我们需要的信息，具体代码如下：

movie = {}        # 用作后面的存放电影的数据
# text_list = zoom.xpath(".//p/text()|.//p/span/text()")        # 版本1.0，没有考虑到有的页面中会多出span标签
# text_list = zoom.xpath(".//p/span/text()|.//p/text()")        # 版本2.0，没有考虑到有的页面中会缺少标签
text_list = zoom.xpath(".//text()")                             # 版本3.0，直接获取页面中的文本，进行过滤
for (index, text) in enumerate(text_list):
    # print(text)
    if text.startswith("◎译　　名"):
        movie["teanslation_title"] = text.replace("◎译　　名", "").strip()
    elif text.startswith("◎片　　名"):
        movie["real_title"] = text.replace("◎片　　名", "").strip()
    elif text.startswith("◎年　　代"):
        movie["time"] = text.replace("◎年　　代", "").strip()
    elif text.startswith("◎产　　地"):
        movie["place"] = text.replace("◎产　　地", "").strip()
    elif text.startswith("◎类　　别"):
        movie["category"] = text.replace("◎类　　别", "").strip()
    elif text.startswith("◎语　　言"):
        movie["language"] = text.replace("◎语　　言", "").strip()
    elif text.startswith("◎上映日期"):
        movie["release_time"] = text.replace("◎上映日期", "").strip()
    elif text.startswith("◎豆瓣评分"):
        movie["douban_score"] = text.replace("◎豆瓣评分", "").strip()
    elif text.startswith("◎片　　长"):
        movie["length"] = text.replace("◎片　　长", "").strip()
    elif text.startswith("◎导　　演"):
        movie["director"] = text.replace("◎导　　演", "").strip()
    elif text.startswith("◎主　　演"):
        actors = []
        actors.append(text.replace("◎主　　演", "").strip())
        for num in range(index + 1, index + 10):
            if (text_list[num].startswith("◎简　　介")):
                break
            else:
                actors.append(text_list[num].strip())
        movie["actors"] = actors
    elif text.startswith("◎简　　介"):
        conttent_index = index + 1
        movie["introduction"] = text_list[conttent_index].strip()

# 由于页面的原因，对下载链接进行特殊过滤
if len(zoom.xpath(".//td/a/@href")) > 0:
    download_url = zoom.xpath(".//td/a/@href")[0]
elif len( zoom.xpath(".//td//a/@href")) > 0 :
    download_url = zoom.xpath(".//td//a/@href")[-1]
else:
    download_url = "爬取失败，手动修改迅雷下载链接！"

movie["download_url"] = download_url
print("·", end=" ")             # 简单的标识，在爬取的时候，成功爬取一部电影，就会打印出一个“·”
return movie

四、将数据处理成json格式，保存到本地json文件中

完成上述任务，我们的爬虫也基本上已经接近尾声。下面要做的就是，调用封装上述代码的函数，将数据处理成json格式，然后以每一列表为单位，存储到本地json文件中。

page_num = 1
page_urls = movie_list_page()
# 以每一列表页为单位，完成每一列表页中电影的爬取，处理成json，写入到本地文件中
for (index, page_url) in enumerate(page_urls):
    file_name = "new_movie_" + str(index + page_num) + ".json"      # 设置存放每一页电影信息的json文件的名称
    one_page_movie_content = []     # 每一页中所有电影的信息
    movie_detail_urls = get_detail_url(page_url)
    for movie_detail_url in movie_detail_urls:
        movie_content = get_movie_content(movie_detail_url)
        one_page_movie_content.append(movie_content)
    # 将爬取的每一页的电影数据，分别写入到一个json文件中
    one_page_movie_content_str = json.dumps(one_page_movie_content, ensure_ascii=False, indent=2)
    with open(file_name, "w", encoding="utf-8") as f:
        f.write(one_page_movie_content_str)
    print("第" + str(index + page_num) + "页电影爬取完成，写入到" + file_name + "文件中")

四、爬虫完成代码下载：

上一篇下一篇

猜你喜欢

热点阅读