任务1:正则表达式解析电影天堂网站获取电影信息。(1)可以根据传入的电影分类获取该分类下的电影数据(2)要抓取的电影数据为:电影的名称,电影的上映时间,电影的产地,电影的类别,电影主演,电影导演,电影简介(3)获取电影的下载地址,专用播放器下载地址,迅雷下载地址(4)将获取的电影数据写入到json文件夹中。(5)完成实验2的报告编写
# 正则表达式解析电影天堂网站获取电影信息。
# (1)可以根据传入的电影分类获取该分类下的电影数据
# (2)要抓取的电影数据为:电影的名称,电影的上映时间,电影的产地,电影的类别,电影主演,电影导演,电影简介
# (3)获取电影的下载地址,专用播放器下载地址,迅雷下载地址
# (4)将获取的电影数据写入到json文件夹中。
# 分析:
# 剧情片 https://www.dy2018.com/0/
# 喜剧片 https://www.dy2018.com/1/
# 动作片 https://www.dy2018.com/2/
# 爱情片 https://www.dy2018.com/3/
# 如果想爬其他类型的电影,只要改变 url中的数字即可,也可以写一个循环,把所有板块中的电影全部爬取下来。
import json
import requests
import re
import time
#
# 正则表达式解析电影天堂网站获取电影信息。
# (1)可以根据传入的电影分类获取该分类下的电影数据
# (2)要抓取的电影数据为:电影的名称,电影的上映时间,电影的产地,电影的类别,电影主演,电影导演,电影简介
# (3)获取电影的下载地址,专用播放器下载地址,迅雷下载地址
# (4)将获取的电影数据写入到json文件夹中。
# 分析:
# 剧情片 https://www.dy2018.com/0/
# 喜剧片 https://www.dy2018.com/1/
# 动作片 https://www.dy2018.com/2/
# 爱情片 https://www.dy2018.com/3/
# 如果想爬其他类型的电影,只要改变 url中的数字即可,也可以写一个循环,把所有板块中的电影全部爬取下来。
class Dy2018:
"""
电影天堂爬虫
"""
def __init__(self):
"""初始化方法"""
# 请求地址
self.url1 = 'https://www.dy2018.com/{}/'
self.url2 = 'https://www.dy2018.com{}'
# 请求头
self.header = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/108.0.0.0 Safari/537.36"}
# 数据源
self.data = []
# 计数
self.num = 1
def get_response(self, url): # 此处的url为构造好的url,不是self.url
"""发送请求地址并获取响应"""
return requests.get(url, headers=self.header).content.decode('gbk') # 电影天堂:使用gbk编码
@staticmethod # 静态方法
def parse_data1(html):
"""解析数据1"""
# 获取地址中的后半部分,如:/i/106985.html...
pattern1 = r'<b>.*?<a href="(.*?)" class'
results1 = re.compile(pattern1, re.S).findall(html)
# print(results1)
# results1为列表:['/i/106985.html', '/i/106983.html', '/i/106977.html', '/i/106956.html', '/i/106944.html', '/i/106943.html', '/i/106918.html', '/i/106662.html', '/i/104234.html', '/i/106865.html', '/i/106848.html', '/i/106843.html', '/i/106839.html', '/i/106837.html', '/i/106804.html', '/i/106794.html', '/i/106776.html', '/i/106730.html', '/i/106719.html', '/i/106714.html', '/i/106710.html', '/i/106668.html', '/i/106648.html', '/i/106638.html', '/i/106624.html', '/i/106603.html', '/i/106597.html', '/i/106581.html', '/i/106573.html', '/i/106511.html']
return results1
def parse_data2(self, html):
"""解析数据2"""
# 1.定义请求规则
pattern2 = r'◎片 名 (.*?)<br />.*?◎产 地 (.*?)<br />.*?◎类 别 (.*?)<br />.*?◎上映日期 (.*?)<br />.*?◎导 演 (.*?)<br />.*?◎主 演 (.*?)<br />.*?◎简 介<br /> (.*?)<br />.*?&path=(.*?)">.*?announce">(.*?)</a></td>'
# 2.根据规则提取数据
results2 = re.compile(pattern2, re.S).findall(html)
# 3.保护机制
if len(results2) == 0:
print('没有提取出结果,请检查html或正则表达式pattern!')
return
else:
print(f'第{self.num}部电影信息已成功保存到电影.json中!')
self.num = self.num + 1
# 4.遍历
for result in results2:
# 4.1 建立 字典 数据存储模型
model = dict()
model['1.电影的名称'] = result[0]
model['2.电影的上映时间'] = result[3]
model['3.电影的产地'] = result[1]
model['4.电影的类别'] = result[2]
model['5.电影主演'] = result[5]
model['6.电影导演'] = result[4]
model['7.电影简介'] = result[6]
model['8.专用播放器下载地址'] = result[7]
model['9.迅雷下载地址'] = result[8]
# 4.2 将存储好的数据放到数据源中
self.data.append(model)
def write_to_json(self):
"""写到文件中"""
# 1.定义字典
temp = {"Movie_Information": self.data} # self.data数据源为一个列表[],里面放字典model{}
# 2.将字典对象temp转化为json字符串
content = json.dumps(temp, ensure_ascii=False, indent=4)
# 3.写入文件
with open('./电影天堂/电影.json', 'w', encoding='utf-8') as f:
f.write(content)
def run(self):
"""爬虫启动程序"""
print('1.剧情片 2.喜剧片 3.动作片 4.爱情片 5.科幻片 6.动画片 7.悬疑片 8.惊悚片 9.恐怖片 10.纪录片')
print('11.音乐歌舞题材电影 12.传记片 13.历史片 14.战争片 15.犯罪片 16.奇幻电影 17.冒险电影 18.灾难片 19.武侠片 20.古装片')
i = input('请输入1-20数字(电影的类名):\n')
# 构造地址
url1 = self.url1.format(i) # 拼接部分1
# 发送请求并获取响应
html1 = self.get_response(url1)
# 解析数据
result_ = self.parse_data1(html1)
# for i in result_:
# print(i)
print(f'开始爬取有关 {i} 类首页的电影......')
for index2 in result_:
# 构造地址
url2 = self.url2.format(index2) # 拼接部分2
# 发送请求并获取响应
html2 = self.get_response(url2)
# 解析数据
self.parse_data2(html2)
# 增加一个时间间隔
time.sleep(1.0)
# 写入json文件中
self.write_to_json()
return self.num - 1
if __name__ == '__main__':
num = Dy2018().run()
print(f'已成功将{num}部电影信息全部保存到电影.json中,请查看"电影天堂"文件夹!')
任务2:掌握xpath路径表达式的用法。掌握xpath解析数据的方法。
html = '''
<div class='application-book'>
<ul>
<li class='i1'><a href='link1.html'>c语言</a></li>
<li class='i2'><a href='link2.html'>c++语言</a></li>
<li class='i3'><a href='link3.html'>python语言</a></li>
<li class='i4'><a href='link4.html'>php语言</a></li>
<li class='i5'><a href='link5.html'>mysql语言</a></li>
<li class='i6'><a href='link6.html'>lua语言</a></li>
</ul>
</div>
<div class='novel'>
<ul>
<li class='i1'><a href='link1.html'>连城诀</a></li>
<li class='i2'><a href='link2.html'>射雕英雄传</a></li>
<li class='i3'><a href='link3.html'>神雕侠侣</a></li>
<li class='i4'><a href='link4.html'>天龙八部</a></li>
<li class='i5'><a href='link5.html'>笑傲江湖</a></li>
<li class='i6'><a href='link6.html'>越女剑</a></li>
</ul>
<ul>
<li class='i1'><a href='link1.html'>楚留香</a></li>
<li class='i2'><a href='link2.html'>陆小凤传奇</a></li>
<li class='i3'><a href='link3.html'>天涯明月刀</a></li>
<li class='i4'><a href='link4.html'>萧十一郎</a></li>
<li class='i5'><a href='link5.html'>小鱼儿与花无缺</a></li>
</ul>
<div>
</div>
</div>
<ul class='novel'>
<ul>
<li class='i1'><a href='link1.html'>新连城诀</a></li>
<li class='i2'><a href='link2.html'>新射雕英雄传</a></li>
<li class='i3'><a href='link3.html'>新神雕侠侣</a></li>
<li class='i4'><a href='link4.html'>新天龙八部</a></li>
<li class='i5'><a href='link5.html'>新笑傲江湖</a></li>
<li class='i6'><a href='link6.html'>新越女剑</a></li>
</ul>
</ul>
'''
from lxml import etree
html = '''
<div class='application-book'>
<ul>
<li class='i1'><a href='link1.html'>c语言</a></li>
<li class='i2'><a href='link2.html'>c++语言</a></li>
<li class='i3'><a href='link3.html'>python语言</a></li>
<li class='i4'><a href='link4.html'>php语言</a></li>
<li class='i5'><a href='link5.html'>mysql语言</a></li>
<li class='i6'><a href='link6.html'>lua语言</a></li>
</ul>
</div>
<div class='novel'>
<ul>
<li class='i1'><a href='link1.html'>连城诀</a></li>
<li class='i2'><a href='link2.html'>射雕英雄传</a></li>
<li class='i3'><a href='link3.html'>神雕侠侣</a></li>
<li class='i4'><a href='link4.html'>天龙八部</a></li>
<li class='i5'><a href='link5.html'>笑傲江湖</a></li>
<li class='i6'><a href='link6.html'>越女剑</a></li>
</ul>
<ul>
<li class='i1'><a href='link1.html'>楚留香</a></li>
<li class='i2'><a href='link2.html'>陆小凤传奇</a></li>
<li class='i3'><a href='link3.html'>天涯明月刀</a></li>
<li class='i4'><a href='link4.html'>萧十一郎</a></li>
<li class='i5'><a href='link5.html'>小鱼儿与花无缺</a></li>
</ul>
<div>
</div>
</div>
<ul class='novel'>
<ul>
<li class='i1'><a href='link1.html'>新连城诀</a></li>
<li class='i2'><a href='link2.html'>新射雕英雄传</a></li>
<li class='i3'><a href='link3.html'>新神雕侠侣</a></li>
<li class='i4'><a href='link4.html'>新天龙八部</a></li>
<li class='i5'><a href='link5.html'>新笑傲江湖</a></li>
<li class='i6'><a href='link6.html'>新越女剑</a></li>
</ul>
</ul>
'''
# 1. 创建xpath查找对象
xpath_finder = etree.HTML(html)
# 2. 利用xpath查找对象查找以下内容
# 2.1 提取class为i1的a标签中的内容 ['c语言', '连城诀', '楚留香', '新连城诀']
print(xpath_finder.xpath("//li[@class='i1']/a/text()"))
print(xpath_finder.xpath("//a[@href='link1.html']/text()"))
# 2.2 提取属性为novel标签下的第一个ul节点下的a节点的内容
# 分析得知:属性为novel的有两个节点分别是div和ul节点
# 2.2.1 提取div下的第一个ul下的a节点的内容
print(xpath_finder.xpath('//div[@class="novel"]/ul[1]//a/text()'))
print(xpath_finder.xpath('//div[@class="novel"]/ul[position()<2]//a/text()')) # position()为1
print(xpath_finder.xpath('//div[@class="novel"]/ul[last()-1]//a/text()')) # last()为2
# 2.2.2 提取 小说中 第一个ul下的a节点的内容
print(xpath_finder.xpath('//ul[@class="novel"]/ul//a/text()') + xpath_finder.xpath('//div[@class="novel"]/ul[1]//a/text()'))
# 2.3 *不限定节点
print(xpath_finder.xpath('//*[@class="novel"]/ul[1]//a/text()'))