Python爬虫-爬取 ygdy8.com 站点的所有电影并写入文件和数据库

项目代码地址: ===欢迎fork 、star ===

https://github.com/kangvcar/pyproject/blob/master/Spiders/Spider_ygdy8.py

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Date    : 2017-10-13 18:47:39
# @Author  : kangvcar (kangvcar@126.com)
# @Link    : http://www.github.com/kangvcar/
# @Version : $Id$

import re
from bs4 import BeautifulSoup
import urllib2

class movieItem(object):
	''' 定义 movieItem 类 '''
	MovieName = None
	UpdateTime = None
	Summary = None
	
class getMovieInfo(object):
	''' 爬取 www.ygdy8.net 站点的电影 '''
	def __init__(self, url):
		self.url = url
		self.sumPages = self.getSumPage(self.url)
		self.urls = self.getUrls(self.sumPages)
		self.items = self.spider(self.urls)
		self.pipelines(self.items)
		
	def getSumPage(self, url):
		''' 获取总页数 '''
		response = urllib2.urlopen(url)
		html = response.read()
		s = u'共(.*?)页'
		dSumpage = re.compile(s)
		fSumpage = re.search(dSumpage, html.decode('gbk')).group(1)
		# print fSumpage
		return fSumpage
		
	def getUrls(self, sumPages):
		''' 获取所有页面的url '''
		urls = []
		ul = self.url.split('_')
		for page in range(1, int(sumPages)+1):
			ul[-1] = str(page) + '.html'
			url = '_'.join(ul)
			urls.append(url)
		return urls
	
	def spider(self, urls):
		''' 爬取Item定义的信息'''
		items = []
		for url in urls:
			html = self.getContentPage(url)
			if html == None:
				continue
			soup = BeautifulSoup(html, 'lxml')
			tables = soup.find_all('table', attrs={'class':'tbspan'})
			for table in tables:
				item = movieItem()
				try:
					# item.MovieName = unicode(''.join(table.b.get_text().split()))
					item.MovieName = unicode(table.b.get_text().replace('\n', ''))
					item.UpdateTime = unicode(table.find_all('tr')[2].get_text().split()[0].split(':'.decode('utf-8'))[1])
					item.Summary = unicode(table.find_all('tr')[3].get_text().strip())
				except:
					pass
					continue
				else:
					items.append(item)
		return items
	
	def pipelines(self, items):
		''' 处理爬取到的内容'''
		filename = u'国内电影.txt'
		with open(filename, 'w') as fp:
			for item in items:
				fp.write('片名:%s \n更新时间:%s \n影片摘要:%s \n\n' %(item.MovieName.encode('utf-8'), item.UpdateTime.encode('utf-8'), item.Summary.encode('utf-8')))
	
	def getContentPage(self, url):
		''' 获取网页源代码'''
		try:
			response = urllib2.urlopen(url, timeout=4)
		except:
			return None
		else:
			html = response.read()
			return html

ZXDY = getMovieInfo('http://www.ygdy8.net/html/gndy/dyzz/list_23_1.html')
# ZXDY = getMovieInfo('http://www.ygdy8.net/html/gndy/oumei/list_7_2.html')
#http://www.ygdy8.net/html/gndy/dyzz/list_23_1.html
#http://www.ygdy8.net/html/gndy/china/list_4_2.html


  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: Python爬虫是一种非常强大的工具,它可以被用于多种目的,其中包括爬取视频信息和文件。如果需要爬取视频_index.m3u8_ts.rar文件,以下是一些步骤和技巧: 1. 确定爬取目标:首先需要确定要爬取的视频_index.m3u8_ts.rar文件的URL地址,可以在浏览器中打开开发者工具(如Chrome的“开发者工具”),在“网络”选项卡下查找请求的URL地址。 2. 使用Python爬虫Python爬虫的主要模块包括requests、BeautifulSoup等,可以使用它们来获取请求的URL地址,并将响应的数据解析为所需的文件。 3. 使用正则表达式:视频的_index.m3u8_ts.rar文件通常是一个较大的文件,其中包含多个链接URL地址。可以使用Python中的正则表达式来提取所需的文件链接,并将它们存储为一个列表。 4. 下载文件:获取文件链接后,可以使用Python的requests模块下载视频_index.m3u8_ts.rar文件到本地。 5. 文件处理:下载完成后,可以使用Python中的常用文件处理工具(如os、shutil等)进行文件重命名、移动或其他操作。 总的来说,Python爬虫是一种非常灵活和高效的工具,可以大大简化获取和处理视频_index.m3u8_ts.rar文件的过程。但是需要注意的是,爬取文件时需要遵守相关法律法规和网站协议,以免触犯法律或侵犯他人利益。 ### 回答2: 要使用Python爬虫爬取视频_index.m3u8_ts.rar文件,需要以下几个步骤: 1. 确认网站和视频资源的URL:首先需要确认想要爬取的视频文件所在的网站和URL链接。可以使用Python中的requests库发起HTTP请求获取网址的HTML源代码,并从中解析出视频链接的URL。 2. 根据视频链接的URL获取文件:获取视频链接的URL之后,需要使用Python中的requests库再次发起HTTP请求,获取视频文件的二进制数据。一般情况下,在请求中需要设置请求头部信息和一些参数,以便获得正确的内容。 3. 下载和解压文件:在获取到视频文件数据之后,需要将其保存为本地的视频文件。视频文件有可能是一个压缩包,如.rar或.zip文件,因此还需要使用Python中的解压缩库来进行解压操作。 4. 根据视频文件生成m3u8文件:在解压出视频文件的内容之后,需要使用Python编写脚本解析视频文件,并生成相应的m3u8文件。m3u8是一种视频资源格式,包含了可以分片下载的视频资源地址列表,可以使用播放器播放m3u8视频资源。 以上是爬取视频_index.m3u8_ts.rar的一般流程,具体实现方法会因网站和视频资源的不同而有所差异,需要针对具体情况进行调整。同时,爬取视频资源时需要尊重版权,遵守相关法律法规并遵守网站的规定,不进行盗版、侵权、篡改等行为。 ### 回答3: 首先,需要了解m3u8文件的基本概念。m3u8是指一种基于HTTP Live Streaming (HLS)协议的音视频播放列表格式,它是由苹果公司首先提出的。m3u8文件中包含了多个ts文件的链接地址,ts文件中则包含了音视频数据。因此,如果成功获取了m3u8文件并解析出其中的ts文件链接地址,就可以成功抓取指定的音视频数据了。 那么如何使用Python实现这个任务呢?以下是一些基本的步骤: 1. 网络请求:使用requests库或urllib库向网站发送请求,获取网站源代码。 ``` python import requests url = "http://example.com/video_index.m3u8" response = requests.get(url) html = response.text ``` 2. 正则表达式匹配:从网站源代码中提取.m3u8和ts文件链接地址。 ``` python import re pattern = "(http://.*?\.m3u8)" m3u8_url = re.findall(pattern, html)[0] pattern = "(http://.*?\.ts)" ts_urls = re.findall(pattern, html) ``` 3. 下载.m3u8文件:使用requests库下载.m3u8文件。 ``` python m3u8_response = requests.get(m3u8_url) m3u8_text = m3u8_response.text ``` 4. 提取.ts文件链接:从.m3u8文件中提取所有.ts文件的链接。 ``` python ts_urls = [] for line in m3u8_text.split("\n"): if line.endswith(".ts"): ts_url = line if not ts_url.startswith("http"): ts_url = m3u8_url.rsplit("/", 1)[0] + "/" + ts_url ts_urls.append(ts_url) ``` 5. 下载.ts文件:使用多线程或异步IO方式同时下载多个.ts文件。 ``` python import threading import urllib.request def download_ts(ts_url, output_path): urllib.request.urlretrieve(ts_url, output_path) threads = [] for i, ts_url in enumerate(ts_urls): thread = threading.Thread(target=download_ts, args=(ts_url, f"video_{i}.ts")) threads.append(thread) thread.start() for thread in threads: thread.join() ``` 6. 合并.ts文件:使用ffmpeg或moviepy库将多个.ts文件合并为一个完整的视频文件。 至此,我们便成功用Python实现了视频的抓取和合并。需要注意的是,具体实现可能会根据不同的网站有所变化,这里只是提供一个基本的思路。此外,网络爬虫本身是一项敏感而受限的技术,建议在遵守法律和道德规范的前提下使用。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值