如何用python爬取最新电影
详解Python爬取并下载《电影天堂》3千多部电影不知不觉，玩爬虫玩了一个多月了。
我愈发觉得，爬虫其实并不是什么特别高深的技术，它的价值不在于你使用了什么特别牛的框架，用了多么了不起的技术，它不需要。它只是以一种自动化搜集数据的小工具，能够获取到想要的数据，就是它最大的价值。
我的爬虫课老师也常跟我们强调，学习爬虫最重要的，不是学习里面的技术，因为前端技术在不断的发展，爬虫的技术便会随着改变。学习爬虫最重要的是，学习它的原理，万变不离其宗。
爬虫说白了是为了解决需要，方便生活的。如果能够在日常生活中，想到并应用爬虫去解决实际的问题，那么爬虫的真正意义也久发挥出来了。
这是些闲话啦，有感而发而已。
最近有点片荒，不知道该看什么电影，而且有些电影在网上找好久也找不到资源。后来我了解到这个网站，发现最近好多不错的电影上面都有资源（这里我就先不管它的来源正不正规啦，#掩面）。
所以这次我们要爬取的网站是：《电影天堂》，屯一些电影，等无聊的时候拿出来看看，消遣消遣也是不错。
这次的网站，从爬虫的技术角度上来讲，难度不大，而且可以说是非常简单了。但是，它实用啊！你想嘛，早上上班前跑一下爬虫，晚上回家以后已经有几十部最新大片在你硬盘里等着你啦，累了一天躺床上看看电影，这种感觉是不是很爽啊。
而且正因为这个爬虫比较简单，所以我会写的稍微细一点，争取让 python 小白们也能尽可能看懂，并且能够在这个爬虫的基础上修改，得到爬取这个网站其他板块或者其他电影网站的爬虫。
写在前面的话
在编写爬虫程序之前，我先捋一捋我们的思路。
- 爬虫的原理，是通过给定的一个 url（就是类似于http://www.baidu.com这样的，俗称网址的东东） 请求，去访问一个网页，获取那个网页上的源代码（不知道源代码的，随便打开一个网页，右键，查看网页源代码，出来的一大堆像乱码一样的东西就是网页源代码，我们需要的数据就藏在这些源代码里面）并返回来。
- 然后，通过一些手段（比如说json库，beautifulsoup库，正则表达式等）从网页源代码中筛选出我们想要的数据（当然，前提是我们需要分析网页结构，知道自己想要什么数据，以及这些数据存放在网页的哪儿，存放的位置有什么特征等）。
- 最后，将我们获取到的数据按照一定的格式，存储到本地或者数据库中，这样就完成了爬虫的全部工作。
当然，也有一些 「骚操作」，如果你嫌爬虫效率低，可以开多线程（就是相当于几十只爬虫同时给你爬，效率直接翻了几十倍）；如果担心爬取频率过高被网站封 ip，可以挂 ip 代理（相当于打几枪换个地方，对方网站就不知道你究竟是爬虫还是正常访问的用户了）；如果对方网站有反爬机制，那么也有一些骚操作可以绕过反爬机制（有点黑客攻防的感觉，有木有！）。这些都是后话了。
爬虫部分
一、分析网站结构（以动作片电影为例）
1. 分析网页的 url 的组成结构
首先，我们需要分析网页的 url 的组成结构，主要关注两方面，一是如何切换选择的电影类型，二是网页如何翻页的。
点击网页上的电影类型的按钮，观察地址栏中的 url ，发现网址和电影类型的关系如下：
| 电影类型 | 网址 |
| 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/ |
| 科幻片 | https://www.dy2018.com/4/ |
| 动画片 | https://www.dy2018.com/5/ |
| 悬疑片 | https://www.dy2018.com/6/ |
| 惊悚片 | https://www.dy2018.com/7/ |
| 恐怖片 | https://www.dy2018.com/8/ |
| 记录片 | https://www.dy2018.com/9/ |
| ...... | ...... |
| 灾难片 | https://www.dy2018.com/18/ |
| 武侠片 | https://www.dy2018.com/19/ |
| 古装片 | https://www.dy2018.com/20/ |
发现规律了吧，以后如果想爬其他类型的电影，只要改变 url 中的数字即可，甚至你可以写一个循环，把所有板块中的电影全部爬取下来。
随便打开一个分类，我们滚动到页面的最下面，发现这里有翻页的按钮，点击按钮翻页的同时，观察 url 的变化。
| 页码 | URL |
| 第一页 | https://www.dy2018.com/2/index.html |
| 第二页 | https://www.dy2018.com/2/index_2.html |
| 第三页 | https://www.dy2018.com/2/index_3.html |
| 第四页 | https://www.dy2018.com/2/index_4.html |
除了第一页是 「index」外，其余页码均是 「index_页码」的形式。
所以我们基本掌握了网站的 url 的构成形式，这样我们就可以通过自己构造 url 来访问任意类型电影的任意一页了，是不是很酷。
2. 分析网站的页面结构
其次，我们分析一下网站的页面结构，看一看我们需要的信息都藏在网页的什么地方（在这之前我们先要明确一下我们需要哪些数据），由于我们这个目的是下载电影，所以对我有用的数据只有两个，电影名称和下载电影的磁力链接。
按 f12 召唤出开发者工具（这个工具可以帮助你快速定位网页中的元素在 html 源代码中位置）。
然后，我们可以发现，电影列表中，每一部电影的信息存放在一个 <table> 标签里，而电影的名字，就藏在里面的一个 <a> 标签中。电影下载的磁力链接在电影的详情页面，而电影详情页面的网址也在这个 <a> 标签中（ href 属性的值）。
而下载的磁力链接，存放在 <tbody> 标签下的 <a> 标签中，是不是很好找啊！
最后我们来缕一缕思路，一会儿我们准备这样操作：通过前面的网址的构造规则，访问到网站的某一页，然后获取到这个页面里的所有 table 标签（这里存放着电影的数据），然后从每一个 table 标签中找到存有电影名称的 a 标签（这里可以拿到电影名称以及详情页面的网址），然后通过这里获取的网址访问电影的详情页面，在详情页面挑选出 <tbody> 标签下的 <a> 标签（这里存放着电影的下载链接），这样我们就找到了我们所需要的全部数据了，是不是很简单啊。
二、爬虫编码阶段
爬虫的程序，我一般习惯把它分成五个部分， 一是主函数，作为程序的入口，二是爬虫调度器，三是网络请求函数，四是网页解析函数，五是数据存储函数。
- get_data ：其参数是目标网页 url，这个函数可以模拟浏览器访问 url，获取并将网页的内容返回。
- parse_data ：其参数是网页的内容，这个函数主要是用来解析网页内容，筛选提取出关键的信息，并打包成列表返回。
- save_data ：其参数是数据的列表，这个函数用来将列表中的数据写入本地的文件中。
- main ：这个函数是爬虫程序的调度器，可以根据事先分析好的 url 的规则，不断的构造新的请求 url，并调用其他三个函数，获取数据并保存到本地，直到结束。
- if __name__ == '__main__' ：这是主程序的入口，在这里调用 main 函数，启动爬虫调度器即可。
|
|
# 我们用到的库import requestsimport bs4import reimport pandas as pd |
1. 网络请求函数 ：get_data (url)
负责访问指定的 url 网页，并将网页的内容返回，此部分功能比较简单固定，一般不需要做修改（除非你要挂代理，或者自定义请求头等，可以做一些相应的调整）。
|
|
def get_data(url): ''' 功能：访问 url 的网页，获取网页内容并返回 参数： url ：目标网页的 url 返回：目标网页的 html 内容 ''' headers = { 'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/.jpg" alt="如何用python爬取最新电影（详解Python爬取并下载《电影天堂》3千多部电影）" border="0" /> '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. 网页解析函数：parse_data(html)
这个函数是整个爬虫程序的核心所在，整体思路在上一部分已经讲过了。我这里使用的库是 beautifulsoup。
这部分的写法多种多样，有很多发挥的空间，也没有什么太多固定的模式，因为这部分的写法是要随着不同网站的页面结构来做调整的，比如说有的网站提供了数据的 api 接口，那么返回的数据就是 json 格式，我们只需要调用 json 库就可以完成数据解析，而大部分的网站只能通过从网页源代码中一层层筛选（筛选手段也多种多样，什么正则表达式，beautifulsoup等等）。
这里需要根据数据的形式来选择不同的筛选策略，所以，知道原理就可以了，习惯什么方法就用什么方法，反正最后能拿到数据就好了。
|
|
def parse_data(html): ''' 功能：提取 html 页面信息中的关键信息，并整合一个数组并返回 参数：html 根据 url 获取到的网页内容 返回：存储有 html 中提取出的关键信息的数组 ''' bsobj = bs4.beautifulsoup(html,'html.parser') info = [] # 获取电影列表 tblist = bsobj.find_all('table', attrs = {'class': 'tbspan'}) # 对电影列表中的每一部电影单独处理 for item in tblist: movie = [] link = item.b.find_all('a')[1] # 获取电影的名称 name = link["title"] # 获取详情页面的 url url = 'https://www.dy2018.com' + link["href"] # 将数据存放到电影信息列表里 movie.append(name) movie.append(url) try: # 访问电影的详情页面，查找电影下载的磁力链接 temp = bs4.beautifulsoup(get_data(url),'html.parser') tbody = temp.find_all('tbody') # 下载链接有多个（也可能没有），这里将所有链接都放进来 for i in tbody: download = i.a.text movie.append(download) #print(movie) # 将此电影的信息加入到电影列表中 info.append(movie) except exception as e: print(e) return info |
3. 数据存储函数：save_data(data)
这个函数目的是将数据存储到本地文件或数据库中，具体的写法要根据实际需要的存储形式来定，我这里是将数据存放在本地的 csv 文件中。
当然这个函数也并不只能做这些事儿，比如你可以在这里写一些简单的数据处理的操作，比如说：数据清洗，数据去重等操作。
|
|
def save_data(data): ''' 功能：将 data 中的信息输出到文件中/或数据库中。 参数：data 将要保存的数据 ''' filename = 'data/电影天堂/动作片.csv' dataframe = pd.dataframe(data) dataframe.to_csv(filename, mode='a', index=false, sep=',', header=false) |
4. 爬虫调度器：main()
这个函数负责根据 url 生成规则，构造新的 url 请求，然后依次调用网络请求函数，网页解析函数，数据存储函数，爬取并保存该页数据。
所谓爬虫调度器，就是控制爬虫什么时候开始爬，多少只爬虫一起爬，爬哪个网页，爬多久休息一次，等等这些事儿。
|
|
def main(): # 循环爬取多页数据 for page in range(1, 114): print('正在爬取：第' + str(page) + '页......') # 根据之前分析的 url 的组成结构，构造新的 url if page == 1: index = 'index' else: index = 'index_' + str(page) url = 'https://www.dy2018.com/2/'+ index +'.html' # 依次调用网络请求函数，网页解析函数，数据存储函数，爬取并保存该页数据 html = get_data(url) movies = parse_data(html) save_data(movies) print('第' + str(page) + '页完成！') |
5. 主函数：程序入口
主函数作为程序的入口，只负责启动爬虫调度器。
这里我一般习惯在 main() 函数前后输出一条语句，以此判断爬虫程序是否正常启动和结束。
|
|
if __name__ == '__main__': print('爬虫启动成功！') main() print('爬虫执行完毕！') |
三、程序运行结果
运行了两个小时左右吧，终于爬完了 113 页，共 3346 部动作片电影的数据（本来不止这些的，但是有一些电影没有提供下载链接，我在 excel 中排序后直接手动剔除了）。
然后想看什么电影的话，直接复制这些电影下载的磁力链接，到迅雷里面下载就好啦。
四、爬虫程序的一些小优化
1. 在网站提供的下载链接中，我试了一下，发现 magnet 开头的这类链接放在迅雷中可以直接下载，而 ftp 开头的链接在迅雷中总显示资源获取失败（我不知道是不是我打开的方式不对，反正就是下载不来），于是我对程序做了一些小的调整，使其只获取 magnet 这类的链接。
修改的方式也很简单，只需要调整 网页解析函数 即可（爬虫的五个部分是相对独立的，修改时只需调整相应的模块即可，其余部分无需修改）。
|
|
def parse_data(html): ''' 功能：提取 html 页面信息中的关键信息，并整合一个数组并返回 参数：html 根据 url 获取到的网页内容 返回：存储有 html 中提取出的关键信息的数组 ''' bsobj = bs4.beautifulsoup(html,'html.parser') info = [] # 获取表头信息 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: # 查找电影下载的磁力链接 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 |
注意代码 26 行处，我加了一个 if 语句的判断，如果下载链接中包含 magnet:?xt=urn:btih 字符串，则视为有效链接，下载下来，否则跳过。
2. 我一直在想能不能有个办法让迅雷一键批量下载我们爬到的电影。使用 python 操纵第三方的软件，这其实挺难的。不过后来找到了一种方法，也算是解决了这个问题。
就是我们发现迅雷软件启动后，会自动检测我们的剪切板，只要我们复制了下载链接，它便会自动弹出下载的提示框。借助这个思路，我们可以使用代码，将下载的链接复制进入剪切板，等下载框自动出现后，手动确认开始下载（这是我目前想到的最好的办法了，不知道各位大佬有没有更好的思路，欢迎指导交流）。