python爬虫——抓取电影天堂电影信息

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了python爬虫——抓取电影天堂电影信息相关的知识,希望对你有一定的参考价值。

做个小练习,抓取的是电影天堂里面最新电影的页面。链接地址:http://www.dytt8.net/html/gndy/dyzz/index.html

首先我们需要获取里面电影详情的网页地址:

import urllib2
import os
import re
import string


# 电影URL集合
movieUrls = []


# 获取电影列表
def queryMovieList():

    url = http://www.dytt8.net/html/gndy/dyzz/index.html   
    conent = urllib2.urlopen(url)
    conent =  conent.read()
    conent = conent.decode(gb2312,ignore).encode(utf-8,ignore)  
    pattern = re.compile (<div class="title_all"><h1><font color=#008800>.*?</a>></font></h1></div>+
                          (.*?)<td height="25" align="center" bgcolor="#F4FAE2"> ,re.S)
    items = re.findall(pattern,conent) 
    
    str = ‘‘.join(items)
    pattern = re.compile (<a href="(.*?)" class="ulink">(.*?)</a>.*?<td colspan.*?>(.*?)</td>,re.S)
    news = re.findall(pattern, str)

    for  j in news:
       
            movieUrls.append(http://www.dytt8.net+j[0])

抓取详情页中的电影数据

def queryMovieInfo(movieUrls):

    for index, item in enumerate(movieUrls):

        print(电影URL:  + item)

        conent = urllib2.urlopen(item)
        conent = conent.read()
        conent = conent.decode(gb2312,ignore).encode(utf-8,ignore)  


        movieName = re.findall(r<div class="title_all"><h1><font color=#07519a>(.*?)</font></h1></div>, conent, re.S)
        if (len(movieName) > 0):
            movieName = movieName[0] + ""
            # 截取名称
            movieName = movieName[movieName.find("") + 3:movieName.find("")]
        else:
            movieName = ""

        print("电影名称: " + movieName.strip())

        movieContent = re.findall(r<div class="co_content8">(.*?)</tbody>,conent , re.S)


        pattern = re.compile(<ul>(.*?)<tr>, re.S)
        movieDate = re.findall(pattern,movieContent[0])

        if (len(movieDate) > 0):
            movieDate = movieDate[0].strip() + ‘‘
        else:
            movieDate = ""

        print("电影发布时间: " + movieDate[-10:])

        pattern = re.compile(<br /><br />(.*?)<br /><br /><img)
        movieInfo = re.findall(pattern, movieContent[0])

        if (len(movieInfo) > 0):
            movieInfo = movieInfo[0]+‘‘

            # 删除<br />标签
            movieInfo = movieInfo.replace("<br />","")

            # 根据 ◎ 符号拆分

            movieInfo = movieInfo.split()

        else:
            movieInfo = ""

        print("电影基础信息: ")

        for item in movieInfo:
            print(item)


        # 电影海报
        pattern = re.compile(<img.*? src="(.*?)".*? />, re.S)        
        movieImg = re.findall(pattern,movieContent[0])

        if (len(movieImg) > 0):
            movieImg = movieImg[0]
        else:
            movieImg = ""
 
        print("电影海报: " + movieImg)

        pattern = re.compile(<td style="WORD-WRAP: break-word" bgcolor="#fdfddf"><a href="(.*?)">.*?</a></td>, re.S)
        movieDownUrl = re.findall(pattern,movieContent[0])

        if (len(movieDownUrl) > 0):
            movieDownUrl = movieDownUrl[0]
        else:
            movieDownUrl = ""

        print("电影下载地址:" + movieDownUrl + "")

        print("------------------------------------------------\n\n\n")

执行抓取

if __name__==__main__:


     print("开始抓取电影数据");
     
     queryMovieList()

     print(len(movieUrls))


     queryMovieInfo(movieUrls)

     print("结束抓取电影数据")

 

以上是关于python爬虫——抓取电影天堂电影信息的主要内容,如果未能解决你的问题,请参考以下文章

python 抓取电影天堂电影信息放入数据库

python爬虫(十七) 电影天堂爬虫1

Python抓取电影天堂, 零基础都可以学? 源码&视频教程, 大赞!

[Java] 用java实现的电影天堂,飘花电影网的电影的下载地址抓取

反爬虫2-python3.6 正则表达式抓取猫眼电影TOP100

Python爬虫编程思想(87):项目实战--抓取豆瓣电影排行榜