爬虫 电影天堂

来张图片压压惊!!!1
在这里插入图片描述
在这里插入图片描述

爬取电影天堂的电影信息。

from lxml import etree
import requests
BASE = 'https://www.dytt8.net'
HEADERS = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36',
    'Referer': 'https://www.dytt8.net/html/gndy/dyzz/list_23_2.html'
}

def get_urls(url):
    response = requests.get(url,headers=HEADERS) #获取网页
    text = response.text #解码后是str类型
    html = etree.HTML(text)
    table_urls = html.xpath("//table[@class='tbspan']//a/@href")
    table_urls = map(lambda url: BASE + url,table_urls)#使用lambda表达式进行网址链接
    return table_urls

def parse_page(url):
    movie = {}
    response = requests.get(url,headers=HEADERS)
    text = response.content.decode('gbk')
    html = etree.HTML(text)
    title = html.xpath("//div[@class='title_all']//font[@color='#07519a']//text()")[0]     #获取标签下的所有文本
    # print(title)
    movie['title'] = title
    zoomA = html.xpath('//div[@id="Zoom"]')[0] 
    imgs = zoomA.xpath(".//img/@src")
    # print(imgs)
    cover = imgs[0]   #获取海报 
    # print(cover)
    #screenshot = imgs[1] #获取截屏

    movie['cover'] = cover
    #movie['screenshot'] = screenshot

    def parse_info(info,rule):
        return info.replace(rule,"").strip()   #用strip()函数将字段两边的空格去掉   replace()函数将年代下面的字段替换成空

    infos = zoomA.xpath(".//text()")   #获取当前下的所有文本

    for index,info in enumerate(infos):   #enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列,返回索引和数据
        # print(index)
        # print(info)
        # print("="*10)
        if info.startswith("◎年  代"):   #字段的起始位置◎年  代
            info=parse_info(info,"◎年  代")
            # print(info)
            movie['year'] = info
        elif info.startswith("◎产  地"):
            info=parse_info(info,"◎产  地")
            movie['country'] = info
        elif info.startswith("◎类  别"):
            info=parse_info(info,"◎类  别")
            movie['category'] = info
        elif info.startswith("◎豆瓣评分"):
            info=parse_info(info,"◎豆瓣评分")
            movie['douban_rating'] = info
        elif info.startswith("◎片  长"):
            info=parse_info(info,"◎片  长")
            movie['duration'] = info
        elif info.startswith("◎导  演"):
            info=parse_info(info,"◎导  演")
            movie['director'] = info
        elif info.startswith("◎主  演"):
            info=parse_info(info,"◎主  演")
            actors = [info]  #先将上面的主演的第一个放到 actors
            for i in range(index+1,len(infos)):
                actor = infos[i].strip() #遍历所有的主演  去掉两边的空格
                # print(actor)
                if actor.startswith("◎"): # 取到这就终止
                    break
                actors.append(actor)
            movie["actors"] = actors
        elif info.startswith("◎简  介"):
            info=parse_info(info,"◎简  介")
            for x in range(index+1,len(infos)):
                profile = infos[x].strip()
                movie["profile"]=profile
    download_url = html.xpath('//td[@bgcolor="#fdfddf"]/a/@href')[0]
    # print(download_url)
    movie["download_url"] = download_url  
    return movie
    

def spider():
    base_url = "https://www.dytt8.net/html/gndy/dyzz/list_23_{}.html"
    movies = []
    for i in range(1,8): #获取前 7 页的页面
        url = base_url.format(i) #每个页面的所有电影网址
        tables = get_urls(url)
        for table in tables:   #具体的电影网址
            movie = parse_page(table)
            movies.append(movie)
            # print(movie)
            with open('D:/pachong/天堂movie.json','w',encoding='utf-8') as f:
                for i in movies:
                    ii = str(i) + '\n'
                    f.write(ii)
        print("下载完成")
                
if __name__ == "__main__":
    spider()

在这里插入图片描述

  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取网页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的HTML进行解析,提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储到数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些网站采取了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。
评论 1
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