爬虫之钉子电影

  • 版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/kun1280437633/article/details/80491184
# -*- coding: utf-8 -*-

'''
    分析:
    1. 爬取流程
    地址:http://www.dingziys.com/movie/list.html?year=2018&cate=0&country=&rating=0&page=7&per-page=24
    方式:get
    参数:
        year: 2018
        cate: 0
        country:
        rating: 0
        page: 1
        per-page: 24
'''
import re
import requests

Debug = False
class DingzimovieSpider:
    def __init__(self):
        self.base_url = "http://www.dingziys.com/movie/list.html"
        self.base_url1 = "http://www.dingziys.com"

    def run(self):
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36'
        }
        detail_div_pattern = re.compile(r'<div class="box-content-1 project-detail">(.*?)</div>', re.S)

        # 定义详情页超链接提取
        detail_link_pattern = re.compile(r'<a href="(.*)" target="_blank" title="(.*)"')

        for i in range(5000):
            params = {
                'year': '2018',
                'cate': '0',
                'country': '',
                'rating': '0',
                'page': i,
                'per - page': 24,
            }

            url = self.base_url
            response = requests.get(url,params=params,headers=headers)

            total_html = response.content.decode('utf-8')

            detail_div_htmls = detail_div_pattern.findall(total_html)

            for detail_div_html in detail_div_htmls:
                detail_link_html = detail_link_pattern.findall(detail_div_html)[0]
                name = detail_link_html[1]
                url = self.base_url1 + detail_link_html[0]

                print(name,url)

                if Debug:break
if __name__ == '__main__':
    spider = DingzimovieSpider()
    spider.run()
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
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