爬虫爬取www.newdianying.com心心电影网电影资源实例

①解析首页地址 提取分类信息

[py] view plaincopy
#解析首页  

def CrawIndexPage(starturl):
print “正在爬取首页”
page = __getpage(starturl)
if page==”error”:
return
page = page.decode(‘gbk’, ‘ignore’)
tree = etree.HTML(page)
Nodes = tree.xpath(“//div[@id=’menu’]//a”)
print “首页解析出地址”,len(Nodes),”条”
for node in Nodes:
CrawledURLs = []
CrawledURLs.append(starturl)
url=node.xpath(“@href”)[0]
if re.match(r’/html/[A-Za-z0-9_/]+/index.html’, url):
if __isexit(host + url,CrawledURLs):
pass
else:
try:
catalog = node.xpath(“text()”)[0].encode(“utf-8”)
newdir = “E:/电影资源/” + catalog
os.makedirs(newdir.decode(“utf-8”))
print “创建分类目录成功——”+newdir
thread = myThread(host + url, newdir,CrawledURLs)
thread.start()
except:
pass

```

在这个函数中，首先将网页的源码下载下来，通过XPath解析出其中的菜单分类信息。并创建相应的文件目录。有一个需要注意的地方就是编码问题，但是也是被这个编码纠缠了好久，通过查看网页的源代码，我们可以发现，网页的编码采用的是GB2312，这里通过XPath构造Tree对象是需要对文本信息进行解码操作，将gb2312变成Unicode编码，这样DOM树结构才是正确的，要不然在后面解析的时候就会出现问题。

　　②解析每个分类的主页



[py] view plaincopy
# 解析分类文件  

def CrawListPage(indexurl,filedir,CrawledURLs):
print “正在解析分类主页资源”
print indexurl
page = __getpage(indexurl)
if page==”error”:
return
CrawledURLs.append(indexurl)
page = page.decode(‘gbk’, ‘ignore’)
tree = etree.HTML(page)
Nodes = tree.xpath(“//div[@class=’co_content8’]//a”)
for node in Nodes:
url=node.xpath(“@href”)[0]
if re.match(r’/’, url):

非分页地址 可以从中解析出视频资源地址

if __isexit(host + url,CrawledURLs):
pass
else:

文件命名是不能出现以下特殊符号

filename=node.xpath(“text()”)[0].encode(“utf-8”).replace(“/”,” “)\
.replace(“\”,” “)\
.replace(“:”,” “)\
.replace(“*”,” “)\
.replace(“?”,” “)\
.replace(“\”“,” “)\
.replace(“<”, ” “) \
.replace(“>”, ” “)\
.replace(“|”, ” “)
CrawlSourcePage(host + url,filedir,filename,CrawledURLs)
pass
else:

分页地址 从中嵌套再次解析

print “分页地址 从中嵌套再次解析”,url
index = indexurl.rfind(“/”)
baseurl = indexurl[0:index + 1]
pageurl = baseurl + url
if __isexit(pageurl,CrawledURLs):
pass
else:
print “分页地址 从中嵌套再次解析”, pageurl
CrawListPage(pageurl,filedir,CrawledURLs)
pass
pass

打开每一个分类的首页会发现都有一个相同的结构（点击打开示例）首先解析出包含资源URL的节点，然后将名称和URL提取出来。这一部分有两个需要注意的地方。一是因为最终想要把资源保存到一个txt文件中，但是在命名时不能出现一些特殊符号，所以需要处理掉。二是一定要对分页进行处理，网站中的数据都是通过分页这种形式展示的，所以如何识别并抓取分页也是很重要的。通过观察发现，分页的地址前面没有“/”,所以只需要通过正则表达式找出分页地址链接，然后嵌套调用即可解决分页问题。

③解析资源地址保存到文件中

[py] view plaincopy

处理资源页面 爬取资源地址

def CrawlSourcePage(url,filedir,filename,CrawledURLs):
print url
page = __getpage(url)
if page==”error”:
return
CrawledURLs.append(url)
page = page.decode(‘gbk’, ‘ignore’)
tree = etree.HTML(page)
Nodes = tree.xpath(“//div[@align=’left’]//table//a”)
try:
source = filedir + “/” + filename + “.txt”
f = open(source.decode(“utf-8”), ‘w’)
for node in Nodes:
sourceurl = node.xpath(“text()”)[0]
f.write(sourceurl.encode(“utf-8”)+”\n”)
f.close()
except:
print “!!!!!!!!!!!!!!!!!”

这段就比较简单了，将提取出来的内容写到一个文件中就行了

　　为了能够提高程序的运行效率，使用了多线程进行抓取，在这里我是为每一个分类的主页都开辟了一个线程，这样极大地加快了爬虫的效率。想当初，只是用单线程去跑，结果等了一下午最后因为一个异常没处理到结果一下午都白跑了！！！！心累

[py] view plaincopy
class myThread (threading.Thread): #继承父类threading.Thread
def init(self, url, newdir,CrawledURLs):
threading.Thread.init(self)
self.url = url
self.newdir = newdir
self.CrawledURLs=CrawledURLs
def run(self): #把要执行的代码写到run函数里面 线程在创建后会直接运行run函数
CrawListPage(self.url, self.newdir,self.CrawledURLs)
“`

以上只是部分代码，全部代码可以到GitHub上面去下载（点我跳转）

最后爬取的结果如下。