思路:
- 进入电影天堂首页,提取到主页面中的每一个电影的背后的那个urL地址
a. 拿到“2024必看热片”那一块的HTML代码
b. 从刚才拿到的HTML代码中提取到href的值 - 访问子页面,提取到电影的名称以及下载地址
a. 拿到子页面的页面源代码
b. 数据提取
代码实现:
from tqdm import tqdm
import requests
import re
from selenium import webdriver
from selenium.webdriver.edge.options import Options
class MovieScraper:
"""
MovieScraper类用于从网站抓取电影信息。
属性
----------
edge_options : Options
用于配置webdriver的selenium Options对象
web_driver : webdriver
用于与网站交互的selenium webdriver
request_headers : dict
包含请求头的字典
方法
-------
get_response(url)
向指定的URL发送GET请求并返回响应。
get_movie_list_html(response)
从响应中提取电影列表的HTML。
get_sub_url_list(movie_list_html)
从电影列表HTML中提取子URL。
get_movie_info(child_response)
从子URL的响应中提取电影信息。
scrape(target_url)
从指定的URL抓取电影信息并写入文件。
"""
def __init__(self):
"""初始化MovieScraper,配置webdriver和请求头。"""
self.edge_options = Options()
self.edge_options.add_argument("headless")
self.web_driver = webdriver.Edge(options=self.edge_options)
self.request_headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36"
}
def get_response(self, url):
"""
向指定的URL发送GET请求并返回响应。
参数
----------
url : str
要发送请求的URL。
返回
-------
response : Response
GET请求的响应。
"""
response = requests.get(url, headers=self.request_headers)
response.encoding = "gbk"
return response
def get_movie_list_html(self, response):
"""
从响应中提取电影列表的HTML。
参数
----------
response : Response
要提取HTML的响应。
返回
-------
movie_list_html : str
电影列表的HTML。
"""
movie_list_pattern = re.compile(r'2024必看热片.*?<ul>(?P<html>.*?)</ul>', re.S)
movie_list_result = movie_list_pattern.search(response.text)
return movie_list_result.group("html")
def get_sub_url_list(self, movie_list_html):
"""
从电影列表HTML中提取子URL。
参数
----------
movie_list_html : str
电影列表的HTML。
返回
-------
sub_url_list : iterator
子URL的迭代器。
"""
sub_url_pattern = re.compile(r"<li><a href='(?P<sub_url>.*?)'", re.S)
return sub_url_pattern.finditer(movie_list_html)
def get_movie_info(self, child_response):
"""
从子URL的响应中提取电影信息。
参数
----------
child_response : Response
要提取电影信息的响应。
返回
-------
movie_info_result : Match
包含电影信息的匹配对象。
"""
movie_info_pattern = re.compile(r'◎片 名 (?P<movie>.*?)<br.*?<td style="WORD-WRAP: break-word" bgcolor="#fdfddf"><a href="(?P<download>.*?)"', re.S)
return movie_info_pattern.search(child_response.text)
def scrape(self, target_url):
"""
从指定的URL抓取电影信息并写入文件。
参数
----------
target_url : str
要抓取电影信息的URL。
"""
self.web_driver.get(target_url)
response = self.get_response(target_url)
movie_list_html = self.get_movie_list_html(response)
sub_url_list = self.get_sub_url_list(movie_list_html)
with open("电影天堂.txt", "w", encoding="utf-8") as file:
for sub_url in tqdm(sub_url_list, desc="处理URL中", unit="URL"):
child_url = target_url + sub_url.group("sub_url")
child_response = self.get_response(child_url)
movie_info_result = self.get_movie_info(child_response)
download_link = movie_info_result.group("download")
file.write(download_link + "\n")
self.web_driver.quit()
print("爬取完毕")
if __name__ == "__main__":
scraper = MovieScraper()
scraper.scrape("https://www.dy2018.com/")
效果: