不知不覺，玩爬蟲玩了一個多月了。

我愈發(fā)覺得，爬蟲其實并不是什么特別高深的技術(shù)，它的價值不在于你使用了什么特別牛的框架，用了多么了不起的技術(shù)，它不需要。它只是以一種自動化搜集數(shù)據(jù)的小工具，能夠獲取到想要的數(shù)據(jù)，就是它最大的價值。

我的爬蟲課老師也常跟我們強(qiáng)調(diào)，學(xué)習(xí)爬蟲最重要的，不是學(xué)習(xí)里面的技術(shù)，因為前端技術(shù)在不斷的發(fā)展，爬蟲的技術(shù)便會隨著改變。學(xué)習(xí)爬蟲最重要的是，學(xué)習(xí)它的原理，萬變不離其宗。

爬蟲說白了是為了解決需要，方便生活的。如果能夠在日常生活中，想到并應(yīng)用爬蟲去解決實際的問題，那么爬蟲的真正意義也久發(fā)揮出來了。

這是些閑話啦，有感而發(fā)而已。

最近有點片荒，不知道該看什么電影，而且有些電影在網(wǎng)上找好久也找不到資源。后來我了解到這個網(wǎng)站，發(fā)現(xiàn)最近好多不錯的電影上面都有資源（這里我就先不管它的來源正不正規(guī)啦，#掩面）。

所以這次我們要爬取的網(wǎng)站是：《電影天堂》，屯一些電影，等無聊的時候拿出來看看，消遣消遣也是不錯。

這次的網(wǎng)站，從爬蟲的技術(shù)角度上來講，難度不大，而且可以說是非常簡單了。但是，它實用??！你想嘛，早上上班前跑一下爬蟲，晚上回家以后已經(jīng)有幾十部最新大片在你硬盤里等著你啦，累了一天躺床上看看電影，這種感覺是不是很爽啊。

而且正因為這個爬蟲比較簡單，所以我會寫的稍微細(xì)一點，爭取讓 python 小白們也能盡可能看懂，并且能夠在這個爬蟲的基礎(chǔ)上修改，得到爬取這個網(wǎng)站其他板塊或者其他電影網(wǎng)站的爬蟲。

寫在前面的話

在編寫爬蟲程序之前，我先捋一捋我們的思路。

1. 爬蟲的原理，是通過給定的一個 URL（就是類似于 http://www.baidu.com 這樣的，俗稱網(wǎng)址的東東） 請求，去訪問一個網(wǎng)頁，獲取那個網(wǎng)頁上的源代碼（不知道源代碼的，隨便打開一個網(wǎng)頁，右鍵，查看網(wǎng)頁源代碼，出來的一大堆像亂碼一樣的東西就是網(wǎng)頁源代碼，我們需要的數(shù)據(jù)就藏在這些源代碼里面）并返回來。
2. 然后，通過一些手段（比如說json庫，BeautifulSoup庫，正則表達(dá)式等）從網(wǎng)頁源代碼中篩選出我們想要的數(shù)據(jù)（當(dāng)然，前提是我們需要分析網(wǎng)頁結(jié)構(gòu)，知道自己想要什么數(shù)據(jù)，以及這些數(shù)據(jù)存放在網(wǎng)頁的哪兒，存放的位置有什么特征等）。
3. 最后，將我們獲取到的數(shù)據(jù)按照一定的格式，存儲到本地或者數(shù)據(jù)庫中，這樣就完成了爬蟲的全部工作。

當(dāng)然，也有一些 「騷操作」，如果你嫌爬蟲效率低，可以開多線程（就是相當(dāng)于幾十只爬蟲同時給你爬，效率直接翻了幾十倍）；如果擔(dān)心爬取頻率過高被網(wǎng)站封 IP，可以掛 IP 代理（相當(dāng)于打幾槍換個地方，對方網(wǎng)站就不知道你究竟是爬蟲還是正常訪問的用戶了）；如果對方網(wǎng)站有反爬機(jī)制，那么也有一些騷操作可以繞過反爬機(jī)制（有點黑客攻防的感覺，有木有?。?。這些都是后話了。

爬蟲部分

一、分析網(wǎng)站結(jié)構(gòu)（以動作片電影為例）

1. 分析網(wǎng)頁的 URL 的組成結(jié)構(gòu)

首先，我們需要分析網(wǎng)頁的 URL 的組成結(jié)構(gòu)，主要關(guān)注兩方面，一是如何切換選擇的電影類型，二是網(wǎng)頁如何翻頁的。

點擊網(wǎng)頁上的電影類型的按鈕，觀察地址欄中的 URL ，發(fā)現(xiàn)網(wǎng)址和電影類型的關(guān)系如下：

發(fā)現(xiàn)規(guī)律了吧，以后如果想爬其他類型的電影，只要改變 url 中的數(shù)字即可，甚至你可以寫一個循環(huán)，把所有板塊中的電影全部爬取下來。

隨便打開一個分類，我們滾動到頁面的最下面，發(fā)現(xiàn)這里有翻頁的按鈕，點擊按鈕翻頁的同時，觀察 url 的變化。

除了第一頁是 「index」外，其余頁碼均是 「index_頁碼」的形式。

所以我們基本掌握了網(wǎng)站的 url 的構(gòu)成形式，這樣我們就可以通過自己構(gòu)造 url 來訪問任意類型電影的任意一頁了，是不是很酷。

2. 分析網(wǎng)站的頁面結(jié)構(gòu)

其次，我們分析一下網(wǎng)站的頁面結(jié)構(gòu)，看一看我們需要的信息都藏在網(wǎng)頁的什么地方（在這之前我們先要明確一下我們需要哪些數(shù)據(jù)），由于我們這個目的是下載電影，所以對我有用的數(shù)據(jù)只有兩個，電影名稱和下載電影的磁力鏈接。

按 F12 召喚出開發(fā)者工具（這個工具可以幫助你快速定位網(wǎng)頁中的元素在 html 源代碼中位置）。

然后，我們可以發(fā)現(xiàn)，電影列表中，每一部電影的信息存放在一個 <table> 標(biāo)簽里，而電影的名字，就藏在里面的一個 <a> 標(biāo)簽中。電影下載的磁力鏈接在電影的詳情頁面，而電影詳情頁面的網(wǎng)址也在這個 <a> 標(biāo)簽中（ href 屬性的值）。

 而下載的磁力鏈接，存放在 <tbody> 標(biāo)簽下的 <a> 標(biāo)簽中，是不是很好找??！

最后我們來縷一縷思路，一會兒我們準(zhǔn)備這樣操作：通過前面的網(wǎng)址的構(gòu)造規(guī)則，訪問到網(wǎng)站的某一頁，然后獲取到這個頁面里的所有 table 標(biāo)簽（這里存放著電影的數(shù)據(jù)），然后從每一個 table 標(biāo)簽中找到存有電影名稱的 a 標(biāo)簽（這里可以拿到電影名稱以及詳情頁面的網(wǎng)址），然后通過這里獲取的網(wǎng)址訪問電影的詳情頁面，在詳情頁面挑選出 <tbody> 標(biāo)簽下的 <a> 標(biāo)簽（這里存放著電影的下載鏈接），這樣我們就找到了我們所需要的全部數(shù)據(jù)了，是不是很簡單啊。

二、爬蟲編碼階段 

爬蟲的程序，我一般習(xí)慣把它分成五個部分， 一是主函數(shù)，作為程序的入口，二是爬蟲調(diào)度器，三是網(wǎng)絡(luò)請求函數(shù)，四是網(wǎng)頁解析函數(shù)，五是數(shù)據(jù)存儲函數(shù)。

1. get_data ：其參數(shù)是目標(biāo)網(wǎng)頁 url，這個函數(shù)可以模擬瀏覽器訪問 url，獲取并將網(wǎng)頁的內(nèi)容返回。
2. parse_data ：其參數(shù)是網(wǎng)頁的內(nèi)容，這個函數(shù)主要是用來解析網(wǎng)頁內(nèi)容，篩選提取出關(guān)鍵的信息，并打包成列表返回。
3. save_data ：其參數(shù)是數(shù)據(jù)的列表，這個函數(shù)用來將列表中的數(shù)據(jù)寫入本地的文件中。
4. main ：這個函數(shù)是爬蟲程序的調(diào)度器，可以根據(jù)事先分析好的 url 的規(guī)則，不斷的構(gòu)造新的請求 url，并調(diào)用其他三個函數(shù)，獲取數(shù)據(jù)并保存到本地，直到結(jié)束。
5. if __name__ == '__main__' ：這是主程序的入口，在這里調(diào)用 main 函數(shù)，啟動爬蟲調(diào)度器即可。
   

# 我們用到的庫
import requests
import bs4
import re
import pandas as pd

1. 網(wǎng)絡(luò)請求函數(shù) ：get_data (url)

負(fù)責(zé)訪問指定的 url 網(wǎng)頁，并將網(wǎng)頁的內(nèi)容返回，此部分功能比較簡單固定，一般不需要做修改（除非你要掛代理，或者自定義請求頭等，可以做一些相應(yīng)的調(diào)整）。

def get_data(url):
  '''
  功能：訪問 url 的網(wǎng)頁，獲取網(wǎng)頁內(nèi)容并返回
  參數(shù)：
    url ：目標(biāo)網(wǎng)頁的 url
  返回：目標(biāo)網(wǎng)頁的 html 內(nèi)容
  '''
  headers = {
    'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',
  }
 
  try:
    r = requests.get(url, headers=headers)
    r.raise_for_status()
    return r.text
  
  except requests.HTTPError as e:
    print(e)
    print("HTTPError")
  except requests.RequestException as e:
    print(e)
  except:
    print("Unknown Error !")

2. 網(wǎng)頁解析函數(shù)：parse_data(html)

 這個函數(shù)是整個爬蟲程序的核心所在，整體思路在上一部分已經(jīng)講過了。我這里使用的庫是 BeautifulSoup。

這部分的寫法多種多樣，有很多發(fā)揮的空間，也沒有什么太多固定的模式，因為這部分的寫法是要隨著不同網(wǎng)站的頁面結(jié)構(gòu)來做調(diào)整的，比如說有的網(wǎng)站提供了數(shù)據(jù)的 api 接口，那么返回的數(shù)據(jù)就是 json 格式，我們只需要調(diào)用 json 庫就可以完成數(shù)據(jù)解析，而大部分的網(wǎng)站只能通過從網(wǎng)頁源代碼中一層層篩選（篩選手段也多種多樣，什么正則表達(dá)式，beautifulsoup等等）。

這里需要根據(jù)數(shù)據(jù)的形式來選擇不同的篩選策略，所以，知道原理就可以了，習(xí)慣什么方法就用什么方法，反正最后能拿到數(shù)據(jù)就好了。

def parse_data(html):
  '''
  功能：提取 html 頁面信息中的關(guān)鍵信息，并整合一個數(shù)組并返回
  參數(shù)：html 根據(jù) url 獲取到的網(wǎng)頁內(nèi)容
  返回：存儲有 html 中提取出的關(guān)鍵信息的數(shù)組
  '''
  bsobj = bs4.BeautifulSoup(html,'html.parser')
  info = []
  
  # 獲取電影列表
  tbList = bsobj.find_all('table', attrs = {'class': 'tbspan'})
  
  # 對電影列表中的每一部電影單獨處理
  for item in tbList:
 
    movie = []
    link = item.b.find_all('a')[1]
 
    # 獲取電影的名稱
    name = link["title"]
 
    # 獲取詳情頁面的 url
    url = 'https://www.dy2018.com' + link["href"]
 
    # 將數(shù)據(jù)存放到電影信息列表里
    movie.append(name)
    movie.append(url)
    
    try:
      # 訪問電影的詳情頁面，查找電影下載的磁力鏈接
      temp = bs4.BeautifulSoup(get_data(url),'html.parser')
      tbody = temp.find_all('tbody')
      
      # 下載鏈接有多個（也可能沒有），這里將所有鏈接都放進(jìn)來
      for i in tbody:
        download = i.a.text
        movie.append(download)
        
      #print(movie)
 
      # 將此電影的信息加入到電影列表中
      info.append(movie)
      
    except Exception as e:
      print(e)
  
  return info

3. 數(shù)據(jù)存儲函數(shù)：save_data(data)

 這個函數(shù)目的是將數(shù)據(jù)存儲到本地文件或數(shù)據(jù)庫中，具體的寫法要根據(jù)實際需要的存儲形式來定，我這里是將數(shù)據(jù)存放在本地的 csv 文件中。

當(dāng)然這個函數(shù)也并不只能做這些事兒，比如你可以在這里寫一些簡單的數(shù)據(jù)處理的操作，比如說：數(shù)據(jù)清洗，數(shù)據(jù)去重等操作。

def save_data(data):
  '''
  功能：將 data 中的信息輸出到文件中/或數(shù)據(jù)庫中。
  參數(shù)：data 將要保存的數(shù)據(jù) 
  '''
  filename = 'Data/電影天堂/動作片.csv'
  
  dataframe = pd.DataFrame(data)
  dataframe.to_csv(filename, mode='a', index=False, sep=',', header=False)

4. 爬蟲調(diào)度器：main()

這個函數(shù)負(fù)責(zé)根據(jù) url 生成規(guī)則，構(gòu)造新的 url 請求，然后依次調(diào)用網(wǎng)絡(luò)請求函數(shù)，網(wǎng)頁解析函數(shù)，數(shù)據(jù)存儲函數(shù)，爬取并保存該頁數(shù)據(jù)。

所謂爬蟲調(diào)度器，就是控制爬蟲什么時候開始爬，多少只爬蟲一起爬，爬哪個網(wǎng)頁，爬多久休息一次，等等這些事兒。

def main():
  # 循環(huán)爬取多頁數(shù)據(jù)
  for page in range(1, 114):
    print('正在爬?。旱? + str(page) + '頁......')    
    # 根據(jù)之前分析的 URL 的組成結(jié)構(gòu)，構(gòu)造新的 url
    if page == 1:
      index = 'index'
    else:
      index = 'index_' + str(page)      
    url = 'https://www.dy2018.com/2/'+ index +'.html'
    # 依次調(diào)用網(wǎng)絡(luò)請求函數(shù)，網(wǎng)頁解析函數(shù)，數(shù)據(jù)存儲函數(shù)，爬取并保存該頁數(shù)據(jù)
    html = get_data(url)
    movies = parse_data(html)
    save_data(movies)
    
    print('第' + str(page) + '頁完成！')

5. 主函數(shù)：程序入口

主函數(shù)作為程序的入口，只負(fù)責(zé)啟動爬蟲調(diào)度器。

這里我一般習(xí)慣在 main() 函數(shù)前后輸出一條語句，以此判斷爬蟲程序是否正常啟動和結(jié)束。

if __name__ == '__main__':
  print('爬蟲啟動成功！')
  main()
  print('爬蟲執(zhí)行完畢！')

三、程序運(yùn)行結(jié)果

 運(yùn)行了兩個小時左右吧，終于爬完了 113 頁，共 3346 部動作片電影的數(shù)據(jù)（本來不止這些的，但是有一些電影沒有提供下載鏈接，我在 excel 中排序后直接手動剔除了）。

然后想看什么電影的話，直接復(fù)制這些電影下載的磁力鏈接，到迅雷里面下載就好啦。 

四、爬蟲程序的一些小優(yōu)化

1. 在網(wǎng)站提供的下載鏈接中，我試了一下，發(fā)現(xiàn) magnet 開頭的這類鏈接放在迅雷中可以直接下載，而 ftp 開頭的鏈接在迅雷中總顯示資源獲取失?。ㄎ也恢朗遣皇俏掖蜷_的方式不對，反正就是下載不來），于是我對程序做了一些小的調(diào)整，使其只獲取 magnet 這類的鏈接。

修改的方式也很簡單，只需要調(diào)整 網(wǎng)頁解析函數(shù) 即可（爬蟲的五個部分是相對獨立的，修改時只需調(diào)整相應(yīng)的模塊即可，其余部分無需修改）。

def parse_data(html):
  '''
  功能：提取 html 頁面信息中的關(guān)鍵信息，并整合一個數(shù)組并返回
  參數(shù)：html 根據(jù) url 獲取到的網(wǎng)頁內(nèi)容
  返回：存儲有 html 中提取出的關(guān)鍵信息的數(shù)組
  '''
  bsobj = bs4.BeautifulSoup(html,'html.parser')
  info = []
  
  # 獲取表頭信息
  tbList = bsobj.find_all('table', attrs = {'class': 'tbspan'})
  
  for item in tbList:
    movie = []
    link = item.b.find_all('a')[1]
    name = link["title"]
    url = 'https://www.dy2018.com' + link["href"]
    
    try:
      # 查找電影下載的磁力鏈接
      temp = bs4.BeautifulSoup(get_data(url),'html.parser')
      tbody = temp.find_all('tbody')
      
      for i in tbody:
        download = i.a.text
        if 'magnet:?xt=urn:btih' in download:
          movie.append(name)
          movie.append(url)
          movie.append(download)
          #print(movie)
          info.append(movie)
          break
    except Exception as e:
      print(e)
  
  return info

注意代碼 26 行處，我加了一個 if 語句的判斷，如果下載鏈接中包含 magnet:?xt=urn:btih 字符串，則視為有效鏈接，下載下來，否則跳過。

2. 我一直在想能不能有個辦法讓迅雷一鍵批量下載我們爬到的電影。使用 python 操縱第三方的軟件，這其實挺難的。不過后來找到了一種方法，也算是解決了這個問題。

就是我們發(fā)現(xiàn)迅雷軟件啟動后，會自動檢測我們的剪切板，只要我們復(fù)制了下載鏈接，它便會自動彈出下載的提示框。借助這個思路，我們可以使用代碼，將下載的鏈接復(fù)制進(jìn)入剪切板，等下載框自動出現(xiàn)后，手動確認(rèn)開始下載（這是我目前想到的最好的辦法了，不知道各位大佬有沒有更好的思路，歡迎指導(dǎo)交流）。

import pyperclip
import os
import pandas as pd
 
imageData = pd.read_csv("Data/電影天堂/動作片2.csv",names=['name','link','download'],encoding = 'gbk')
# 獲取電影的下載鏈接，并用換行符分隔
a_link = imageData['download']
links = '\n'.join(a_link)
 
# 復(fù)制到剪切板
pyperclip.copy(links);
print('已粘貼');
 
# 打開迅雷
thunder_path = r'D:\Program Files (x86)\Thunder Network\Thunder9\Program\Thunder.exe'
os.startfile(thunder_path)

親測可以實現(xiàn)，但是。。。不建議嘗試（你能想象迅雷打開的一瞬間創(chuàng)建幾百個下載任務(wù)的場景嗎？反正我的電腦是緩了好久好久才反應(yīng)過來）。大家還是老老實實的，手動復(fù)制鏈接下載吧（csv文件可以用 excel 打開，豎著選中一列，然后復(fù)制，也能達(dá)到相同的效果） ，這種騷操作太蠢了還是不要試了。

寫在后面的話

啰啰嗦嗦的寫了好多，也不知道關(guān)鍵的問題講清楚了沒有。有哪里沒講清楚，或者哪里講的不合適的話，歡迎騷擾。
 其實吧，寫文章，寫博客，寫教程，都是一個知識重新熔煉內(nèi)化的過程，在寫這篇博客的時候，我也一直在反復(fù)審視我學(xué)習(xí)爬蟲的過程，以及我爬蟲代碼一步步的變化，從一開始的所有代碼全部揉在主函數(shù)中，到后來把一些變動較少的功能提取出來，寫成單獨的函數(shù)，再到后來形成基本穩(wěn)定的五大部分。

以至于在我后來學(xué)習(xí)使用 scrapy 框架時候，驚人的發(fā)現(xiàn) scrapy 框架的結(jié)構(gòu)跟我的爬蟲結(jié)構(gòu)有著異曲同工之妙，我的這個相當(dāng)于是一個簡易版的爬蟲框架了，純靠自己摸索達(dá)到這個效果，我感覺還是挺有成就感的。

以上所述是小編給大家介紹的Python爬取并下載《電影天堂》3千多部電影詳解整合，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復(fù)大家的。在此也非常感謝大家對腳本之家網(wǎng)站的支持！

最新評論