爬取电影天堂电影列表和详情页

爬取电影天堂电影列表和详情页

在这里插入图片描述在这里插入图片描述

import requests
from lxml import etree

base_list_url = 'https://www.dytt8.net'

headers = {
    "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36"
}


def get_one_page_list(url):
    r = requests.get(url, headers=headers)
    r.encoding = r.apparent_encoding
    text = r.text
    html = etree.HTML(text)
    url_details = html.xpath("//table[@class='tbspan']//a//@href")
    url_details = [base_list_url + url_detail for url_detail in url_details]
    return url_details


def parse_info(info, begin):
    return info.replace(begin, '').strip()


def parse_detail_page(url):
    r = requests.get(url, headers=headers)
    r.encoding = r.apparent_encoding
    text = r.text
    html = etree.HTML(text)
    movie = {}
    title = html.xpath("//div[@class='title_all']//font/text()")[0]
    movie['title'] = title
    zoom = html.xpath("//div[@id='Zoom']")[0]
    cover = zoom.xpath(".//img//@src")[0] if len(zoom.xpath(".//img//@src")) > 0 else ''
    movie['cover'] = cover
    infos = zoom.xpath(".//p//text()")
    download_url = zoom.xpath(".//td[@style='WORD-WRAP: break-word']//a/text()")[0]
    movie['download_url'] = download_url
    for index, info in enumerate(infos):
        if info.startswith('◎年  代'):
            date = parse_info(info, '◎年  代')
            movie['date'] = date
        elif info.startswith('◎产  地'):
            country = parse_info(info, '◎产  地')
            movie['country'] = country
        elif info.startswith('◎类  别'):
            categories = parse_info(info, '◎类  别')
            movie['categories'] = categories
        elif info.startswith('◎豆瓣评分'):
            score = parse_info(info, '◎豆瓣评分')
            movie['score'] = score
        elif info.startswith('◎片  长'):
            duration = parse_info(info, '◎片  长')
            movie['duration'] = duration
        elif info.startswith('◎主  演'):
            actor = parse_info(info, '◎主  演')
            actors = []
            actors.append(actor)
            for i in range(index + 1, len(infos) - 1):
                if infos[i].startswith('◎标  签'):
                    break
                actors.append(infos[i])
            movie['actors'] = actors
        elif info.startswith('◎简  介'):
            intro = infos[index + 1]
            movie['intro'] = intro
    return movie


def main():
    url = "https://www.dytt8.net/html/gndy/dyzz/list_23_{}.html"
    movies = []
    for i in range(1, 8):
        url = url.format(i)
        url_one_page_lists = get_one_page_list(url)
        for detail_url in url_one_page_lists:
            try:
                movie = parse_detail_page(detail_url)
                movies.append(movie)
                print(movie)
            except():
                continue


main()

在这里插入图片描述

Python爬取电影天堂这类网站通常涉及到网络爬虫技术,特别是使用如requests、BeautifulSoup、Scrapy等库来获取网页内容。以下是一个简单的步骤概述: 1. **导入库**:首先安装必要的库,如`requests`用于发送HTTP请求,`beautifulsoup4`用于解析HTML。 ```python import requests from bs4 import BeautifulSoup ``` 2. **发送请求**:向电影天堂的URL发起GET请求,并保存响应内容。 ```python url = "http://www.example.com/movieheaven" # 替换为你想爬取电影天堂页面地址 response = requests.get(url) ``` 3. **解析内容**:使用BeautifulSoup解析HTML文档,找到包含电影信息的部分。 ```python soup = BeautifulSoup(response.text, 'html.parser') movies = soup.find_all('div', class_='movie') # 类名可能需要根据实际网站结构修改 ``` 4. **提取数据**:遍历解析后的节点,提取每部电影的标题、链接或其他相关信息。 ```python for movie in movies: title = movie.find('h2').text link = movie.find('a')['href'] print(f'Title: {title}, Link: {link}') ``` 5. **存储数据**:可以根据需求将数据存入CSV、数据库或JSON文件。 6. **处理反爬机制**:注意检查目标网站是否有robots.txt文件,遵守网站的爬取政策,设置合理的延迟以避免过于频繁的访问。 这只是一个基础示例,实际爬取可能需要处理JavaScript渲染的内容、登录验证、动态加载等复杂情况。同时,要注意尊重版权法律法规,合理使用爬虫。
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