用python實現一個抓取騰訊電影的爬蟲

實現思路：

抓取一個電影網站中的所有電影的思路如下：

1. 根據一個URL得到電影網站的所有分類
2. 得到每個分類中的電影的頁數
3. 根據其電影分類的URL規律構造每個分類中每個頁面的URL
4. 分析每個頁面中的html，并用正則把電影信息過濾出來

準備工作：

1. 安裝python（我用的是mac系統，默認的版本是Python 2.7.1 ）
2. 安裝mongodb，從官網下載最新版本，然后啟動即可，注意如放在外網的話，要設定驗證密碼或綁定地址為127.0.0.1，否則黑客輕易就進去了
3. 安裝BeautifulSoup和pymongo模塊
4. 安裝一個python編輯器，我個人喜歡用sublime text2

編寫部分：

這次以騰訊視頻為例，其他視頻網站只是換一下正則表達式。

1. 根據視頻所有分類的URL獲取網站中所有視頻分類

騰訊的所有視頻的URL為：http://v.qq.com/list/1_-1_-1_-1_1_0_0_20_0_-1_0.html

首先我們import urllib2包，封裝一個讀取url中html的方法，詳細代碼如下：

導入需要的模塊并定義全局變量：

# -*- coding: utf-8 -*-
import re
import urllib2
from bs4 import BeautifulSoup
import string, time
import pymongo

NUM     = 0         #全局變量,電影數量
m_type  = u''       #全局變量,電影類型
m_site  = u'qq' #全局變量,電影網站

gethtml方法，傳入一個url，返回這個url的html內容：

#根據指定的URL獲取網頁內容
def gethtml(url):
    req = urllib2.Request(url) 
    response = urllib2.urlopen(req) 
    html = response.read()
    return html

然后查看這個URL的源碼文件，得知其電影分類的信息在<ul class="clearfix _group" gname="mi_type" gtype="1">標簽內部，每條電信分類的格式為：

<a _hot="tag.sub" class="_gtag _hotkey" title="動作" tvalue="0">動作</a>

ok，我們再寫一個gettags方法，將所有的電影分類及url存放于一個字典中，代碼如下：

#從電影分類列表頁面獲取電影分類
def gettags(html):
    global m_type
    soup = BeautifulSoup(html)      #過濾出分類內容
    #print soup
    #<ul class="clearfix _group" gname="mi_type" gtype="1">
    tags_all = soup.find_all('ul', {'class' : 'clearfix _group' , 'gname' : 'mi_type'})
    #print len(tags_all), tags_all
    #print str(tags_all[1]).replace('\n', '')

    #<a _hot="tag.sub" class="_gtag _hotkey"  title="動作" tvalue="0">動作</a>
    re_tags = r'<a _hot=\"tag\.sub\" class=\"_gtag _hotkey\" href=\"(.+?)\" title=\"(.+?)\" tvalue=\"(.+?)\">.+?</a>'
    p = re.compile(re_tags, re.DOTALL)

    tags = p.findall(str(tags_all[0]))
    if tags:
        tags_url = {}
        #print tags
        for tag in tags:
            tag_url = tag[0].decode('utf-8')
            #print tag_url
            m_type = tag[1].decode('utf-8')
            tags_url[m_type] = tag_url 

    else:
            print "Not Find"
    return tags_url

接下來用一個循環分類獲取每個分類下電影的頁數，代碼如下：

  for url in tag_urls.items():
        print  str(url[1]).encode('utf-8') #,url[0]
        maxpage = int(get_pages(str(url[1]).encode('utf-8')))
        print maxpage

獲取每個分類中有多少頁電影的代碼如下：

#獲取每個分類的頁數
def get_pages(tag_url):
    tag_html = gethtml(tag_url)
    #div class="paginator
    soup = BeautifulSoup(tag_html)      #過濾出標記頁面的html
    #print soup
    #<div class="mod_pagenav" id="pager">
    div_page = soup.find_all('div', {'class' : 'mod_pagenav', 'id' : 'pager'})
    #print div_page #len(div_page), div_page[0]

    #<a class="c_txt6"  title="25"><span>25</span></a>
    re_pages = r'<a class=.+?><span>(.+?)</span></a>'
    p = re.compile(re_pages, re.DOTALL)
    pages = p.findall(str(div_page[0]))
    #print pages
    if len(pages) > 1:
        return pages[-2]
    else:
        return 1

然后在每個分類中，根據其URL的規律生成具體的每頁的URL，詳細代碼如下：

for x in range(0, maxpage):
            #http://v.qq.com/list/1_0_-1_-1_1_0_0_20_0_-1_0.html
            m_url = str(url[1]).replace('0_20_0_-1_0.html', '')
            movie_url = "%s%d_20_0_-1_0.html" % (m_url, x)
            print movie_url
            movie_html = gethtml(movie_url.encode('utf-8'))
            #print movie_html
            getmovielist(movie_html)

getmovielist函數的作用是將每頁地址返回的html傳入，然后從中過濾出電影信息所在的html塊，詳細代碼如下：

def getmovielist(html):
    soup = BeautifulSoup(html)

    #<ul class="mod_list_pic_130">
    divs = soup.find_all('ul', {'class' : 'mod_list_pic_130'})
    #print divs
    for div_html in divs:
        div_html = str(div_html).replace('\n', '')
        #print div_html
        getmovie(div_html)

將過濾出來的包含電影信息的html代碼塊傳入getmovie函數來分離出具體的電影信息并入庫，詳細代碼如下：

def getmovie(html):
    global NUM
    global m_type
    global m_site

    #<h6 class="caption"> <a  target="_blank" title="徒步旅行隊">徒步旅行隊</a> </h6> <ul class="info"> <li class="desc">法國賣座喜劇片</li> <li class="cast"> </li> </ul> </div> <div class="ext ext_last"> <div class="ext_txt"> <h3 class="ext_title">徒步旅行隊</h3> <div class="ext_info"> <span class="ext_area">地區: 法國</span> <span class="ext_cast">導演: </span> <span class="ext_date">年代: 2009</span> <span class="ext_type">類型: 喜劇</span> </div> <p class="ext_intro">理查德·達奇擁有一家小的旅游公司，主要經營法國游客到非洲大草原的旅游服務。六個法國游客決定參加理查德·達奇組織的到非洲的一...</p>

    re_movie = r'<li><a class=\"mod_poster_130\" href=\"(.+?)\" target=\"_blank\" title=\"(.+?)\"><img.+?</li>'
    p = re.compile(re_movie, re.DOTALL)
    movies = p.findall(html)
    if movies:
        conn = pymongo.Connection('localhost', 27017)
        movie_db = conn.dianying
        playlinks = movie_db.playlinks
        #print movies
        for movie in movies:
            #print movie
            NUM += 1
            print "%s : %d" % ("=" * 70, NUM)
            values = dict(
                movie_title = movie[1],
                movie_url   = movie[0],
                movie_site      = m_site,
                movie_type      = m_type
                )
            print values
            playlinks.insert(values)
            print "_" * 70
            NUM += 1
            print "%s : %d" % ("=" * 70, NUM)

    #else:
    #   print "Not Find"

總結一下：爬蟲實現的原理就是通過對其網頁內容規律的觀察，然后分離出包含我們感興趣的html代碼塊，然后用正則表達式從將這些代碼塊中將想要的信息分離出來。

最后就是實現一個搜索或者展現的平臺了，只是普通的從庫中查詢相應的信息并以Web方式展現出來，大家可用php、python、ruby、node.js等語言各顯神通。如我的是用python的tornado框架實現的，地址是：http://www.dianying.at