豆瓣爬虫-多线程BFS爬虫

用宽度优先搜索对豆瓣【2016年国内公映电影排期】

https://www.douban.com/doulist/3516235/?start=0&sort=seq&sub_type=

进行爬取,总体没太大难度,需要注意的是对重复链接的去重

第一次的程序

# -*- coding: utf-8 -*-
"""
Created on Tue May 29 10:38:47 2018

@author: phl
"""

import basicSpider
import re
from bs4 import BeautifulSoup


#取得页面源码信息
def get_html(url):
    headers = {("User-Agent",'Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:60.0) Gecko/20100101 Firefox/60.0')}
    proxy = {"http":"139.199.230.242:1080"}
    html = basicSpider.downloadHtml(url, headers=headers)
    return html

#取得电影div元素列表
def get_movie_all(html):
    soup = BeautifulSoup(html, "html.parser")
    movie_list = soup.find_all('div', class_='bd doulist-subject')
    return movie_list

#对每个电影div进行解析
def get_movie_one(movie):
#    print('============================================')
    result = ""
    soup = BeautifulSoup(str(movie), "html.parser")
    
    #电影名的获取 
    title = soup.find_all('div', class_='title')
#    print('title=',title)
    soup_title = BeautifulSoup(str(title[0]), 'html.parser')
#     print('soup_title=',soup_title)
    for line in soup_title.stripped_strings:
        result += line


    #评分获取,需要考虑没有评分的情况
    try:
        sorce = soup.find_all('span', class_='rating_nums')
        
        sorce_ = BeautifulSoup(str(sorce[0]), 'html.parser')
        for line in sorce_.stripped_strings:
            result += "|| 评分:"
            result += line
    except Exception as e:
        result += "|| 评分: 5.0"


    #简要信息获取
    abstract = soup.find_all('div', class_='abstract')
    abstract_info = BeautifulSoup(str(abstract[0]), 'html.parser')
    for line in abstract_info.stripped_strings:
        result += "||"
        result += line
#    print(result)
    return result


# 保存到doubanMovie.txt中
def save_file(movieInfo):
    with open('doubanMovie.txt', "a", encoding='utf-8') as f:
        try:
            f.write(movieInfo + '\n')
        except UnicodeEncodeError as e:
            print(movieInfo)
            raise(e)


# 对豆瓣某个页面进行爬取
def CrawlMovieInfo(url):
    global crawl_queue
    global crawled_queue
    html = get_html(url)
    pat
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    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 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