记录一个爬取电影天堂的爬虫

简单的利用xpath写的爬虫:


爬取电影天堂前七页电影的详细信息
需要注意的点就是 电影天堂网站的解码方式虽然标注为gbk,但某些字符网站解码也是乱码,在代码中很容易报错,所以直接使用etree.HTML(text)生成对象做处理就好,不用做一些解码操作
思路
爬取全部电影页面—>获得详细电影页面的url—>爬取详细电影信息界面—>利用xpath数据筛选处理

import requests

from lxml import etree

BASE_DOMAIN = ' https://www.dytt8.net'
HEADERS ={
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.113 Safari/537.36'
}
#获得电影所在详细信息的url
def get_detail_urls(url):
    response = requests.get(url, headers=HEADERS)
    text = response.content
    htmlelement = etree.HTML(text)
    detail_urls = htmlelement.xpath("//table[@class='tbspan']//a/@href")
    detail_urls = map(lambda url:BASE_DOMAIN+url,detail_urls)
    return detail_urls
#调用其余两个方法实现目的
def spider():
    base_url=" https://www.dytt8.net/html/gndy/dyzz/list_23_{}.html"
    movies=[]
    #依次爬取前7页
    for x in range(1,8):
        url = base_url.format(x)
        detail_urls = get_detail_urls(url)
        print(detail_urls)
        #根据获得的详细url爬取详细信息
        for detail_url in detail_urls:
            
            movie=parse_detail_page(detail_url)
            movies.append(movie)
  	print(movies)

#爬取详情页面,并对爬取的数据进行处理
def parse_detail_page(url):
    movie = {}
    response = requests.get(url,headers = HEADERS)
    text = response.content.decode('gbk')
    htmlelement = etree.HTML(text)
    title = htmlelement.xpath("//div[@class='title_all']//font[@color='#07519a']/text()")[0]
    movie['title'] = title
    
    zoom = htmlelement.xpath("//div[@id='Zoom']")[0]
    
    cover = zoom.xpath(".//img/@src")[0]
    movie['cover']= cover
    
    infos = zoom.xpath('.//text()')
    for info in infos:
    	if info.startswith("◎年  代"):
             info = info.replace("◎年  代","").strip()
             movie['year'] = info
        elif info.startswith("◎类  别"):
             info = info.replace("◎类  别","").strip()
             movie['type'] = info
    return movie





if __name__ == '__main__':
    spider()
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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