利用Python爬取电影网站
#!/usr/bin/env python #coding = utf-8 ''' 本爬虫是用来爬取6V电影网站上的电影资源的一个小脚本程序,爬取到的电影链接会通过网页的形式显示出来 ''' import requests import re from bs4 import BeautifulSoup as bs from queue import Queue from other import getUser_Agent import threading import sys import time headers = getUser_Agent.getUser_Agent() class Movielinks(threading.Thread): def __init__(self,que,filepath,totalcount,starttime): threading.Thread.__init__(self) self._que = que self._filepath = filepath self._totalcount = totalcount self._starttime = starttime def run(self): try: while not self._que.empty(): url = self._que.get() threading.Thread(target=self.showdetail).start() self.spider(url) except: print('error--->def run(self):') def spider(self,url): try: r = requests.get(url,headers) file = open(self._filepath,'a+') if r.status_code == 200: soup = bs(r.content.decode('gbk'),'html.parser') links = soup.find_all('td') title = re.search(r'《(.*?)》',soup.title.string) # print(title.group()) for link in links: if '下载帮助' not in str(link): hrefs = link.find_all('a') # print(link) # print('**' * 100) # mima = re.search(r'</a>(.*?)</td>',str(link)) # print(mima.group()) for href in hrefs: if 'ed2k' in href['href'] or '.torrent' in href['href'] or 'thunder' in href['href'] or 'ftp' in href['href']: # sys.stdout.write('\r'+'\t\t迅雷下载链接:%s'%href['href']) file.write('<li style="list-style-type: decimal;">迅雷下载链接:<a href="%s" target="%s">%s</a></li>' % (href['href'],'_blank',title.group())) file.write('\n<br>') elif 'baidu' in href['href'] and re.search(r'密码:\w{4}',str(link)): wangpan_password = re.search(r'密码:\w{4}',str(link)) # sys.stdout.write('\r'+'\t\t百度网盘下载链接:%s 网盘%s'%(href['href'],wangpan_password.group())) file.write('<li style="list-style-type: decimal;">百度网盘链接:<a href="%s" target="%s">%s</a><b>%s</b></li>' % (href['href'], '_blank', title.group(),wangpan_password.group())) file.write('\n<br>') elif '正版观看' in str(href): # print('\t\t %s 该影片需要正版观看!!' % title.group()) file.write('<b><font color="#00ff00">%s需要正版版权才能观看</font></b>' % title.group()) file.write('\n<br>') else: file.write('<b><font color="#ff0000">%s 的该条链接无法正常爬取,尽情谅解</font></b>' % title.group()) file.write('\n<br>') # sys.stdout.write('\r'+'\t\terror--->def spider(self,url)-in:%s'%title.group()) # print() file.write('<br>') file.close() else: print('%s 该磁力链接已坏!!' % url) except: # print('error--->def spider(self,url)-out:%s' % title.group()) file.write('<b><font color="#ff0000">%s 无法正常爬取,尽情谅解</font></b>' % title.group()) def showdetail(self): usetime = time.time() - self._starttime per = 100 - (float(self._que.qsize())/float(self._totalcount)) * 100 sys.stdout.write('\r'+'下载链接进度:%.2f %s 用时:%.3f 秒' % (float(per),'%',float(usetime))) def getMovieCount(searchid): url = 'http://www.6vhao.tv/e/search/result/?searchid=' + str(searchid) r = requests.get(url,headers) soup = bs(r.content,'html.parser') divs = soup.find(name='div',attrs='channellist') pages = re.search(r'\d+',divs.h2.string) print('%s 一共有%2.f页'%(divs.h2.string,float(pages.group())/20)) def getWantPagesUrls(url,startpage,endpage,searchid): urls = [] for i in range(startpage,endpage+1): link = 'http://www.6vhao.tv/e/search/result/index.php?page='+str(i)+'&searchid='+str(searchid) urls.append(link) return urls def getpagesLinks(urls): # 返回一个电影名字和链接对应的字典 pageslink_dic = {} moviename_list = [] moviehref_list = [] for url in urls: r = requests.get(url,headers) soup = bs(r.content,'html.parser') divs = soup.find_all('div',class_='listimg') for div in divs: moviehref = div.find('a')['href'] moviename = div.find('a').img['alt'] moviehref_list.append(moviehref) # moviename_list.append(moviename) # for i,name in zip(range(len(moviename_list)),moviename_list): # pageslink_dic[name] = moviehref_list[i] # print(moviehref_list) return moviehref_list def getqueue(urls): que = Queue() for url in urls: que.put(url) return que def main(): tishi = ''' *6v电影网站电影链接爬虫* #要搜索的常用关键字代码# 1.韩国--->185773 2.日本--->185691 3.国产--->186504 4.美国--->187181 5.英国--->188161 6.香港--->188461 7.喜剧--->185441 8.恐怖--->187193 9.悬疑--->190226 10.记录片--->187963 11.科幻--->189866 12.战争--->187830 13.动画--->187978 ''' print(tishi) keywords = {1:185773,2:185691,3:186504,4:187181,5:188161,6:188461,7:185441,8:187193,9:190226,10:187963,11:189866,12:187830,13:187978} threads = [] url = 'http://www.6vhao.tv/e/search/result/index.php?page=' searchid = input('请输入搜索关键字序号>>>') print('正在计算电影总量... ...') getMovieCount(keywords[int(searchid)]) startpage = int(input('请输入起始页码>>>')) endpage = int(input('请输入终止页码>>>')) filepath = input('请输入电影链接要保存的文件路径(扩展名是:.html)') print('The program is running,Please waiting... ...') urls = getpagesLinks(getWantPagesUrls(url,startpage,endpage,keywords[int(searchid)])) que = getqueue(urls) print('本次下载行为:从%d页到%d页,有%d部电影正在下载...'%(startpage,endpage,que.qsize())) thread_count = que.qsize() starttime = time.time() for i in range(thread_count): threads.append(Movielinks(que,filepath,thread_count,starttime)) for t in threads: t.start() for t in threads: t.join() if __name__ == '__main__': # ch = int(input('请输入选项(负数退出)>>>')) # while ch >0: # main() # ch = int(input('请输入选项(负数退出)>>>')) main()
在爬取网页时,需要模拟浏览器的操作,所以在爬取数据时需要模拟一个user-agent ,相关代码如下:
from random import randint def getUser_Agent(): headers = [ 'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50', #safari 5.1 – MAC 'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50', #safari 5.1 – Windows 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0', #IE 9.0 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)', #IE 8.0 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)', #IE 7.0 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)', # IE6.0 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1', #Firefox 4.0.1 – MAC 'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1', #Firefox 4.0.1 – Windows 'Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11', #Opera 11.11 – MAC 'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11', #Opera 11.11 – Windows 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11', #Chrome 17.0 – MAC 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)', #傲游(Maxthon) 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; TencentTraveler 4.0)', #腾讯TT 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)', #世界之窗(The World) 2.x 'ozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)', #世界之窗(The World) 3.x 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)', #搜狗浏览器 1.x 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)', #360浏览器 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)', #Avant 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)', #Green Browser ##移动端用户代理 'Mozilla/5.0 (iPhone; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5', #safari iOS 4.33 – iPhone 'Mozilla/5.0 (iPod; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5', #safari iOS 4.33 – iPod Touch 'Mozilla/5.0 (iPad; U; CPU OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5', #safari iOS 4.33 – iPad 'Mozilla/5.0 (Linux; U; Android 2.3.7; en-us; Nexus One Build/FRF91) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1', #Android N1 'MQQBrowser/26 Mozilla/5.0 (Linux; U; Android 2.3.7; zh-cn; MB200 Build/GRJ22; CyanogenMod-7) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1', #Android QQ浏览器 For android 'Opera/9.80 (Android 2.3.4; Linux; Opera Mobi/build-1107180945; U; en-GB) Presto/2.8.149 Version/11.10', #Android Opera Mobile 'Mozilla/5.0 (BlackBerry; U; BlackBerry 9800; en) AppleWebKit/534.1+ (KHTML, like Gecko) Version/6.0.0.337 Mobile Safari/534.1+', #Android Pad Moto Xoom 'Mozilla/5.0 (hp-tablet; Linux; hpwOS/3.0.0; U; en-US) AppleWebKit/534.6 (KHTML, like Gecko) wOSBrowser/233.70 Safari/534.6 TouchPad/1.0', #WebOS HP Touchpad 'Mozilla/5.0 (SymbianOS/9.4; Series60/5.0 NokiaN97-1/20.0.019; Profile/MIDP-2.1 Configuration/CLDC-1.1) AppleWebKit/525 (KHTML, like Gecko) BrowserNG/7.1.18124', #Nokia N97 'Mozilla/5.0 (compatible; MSIE 9.0; Windows Phone OS 7.5; Trident/5.0; IEMobile/9.0; HTC; Titan)', #Windows Phone Mango 'UCWEB7.0.2.37/28/999', #UC无 'Openwave/ UCWEB7.0.2.37/28/999', #UCOpenwave 'Mozilla/4.0 (compatible; MSIE 6.0; ) Opera/UCWEB7.0.2.37/28/999', #UC Opera ] return {'User-Agent':headers[randint(0,len(headers)-1)]}
利用Python爬取电影网站的更多相关文章
- python爬取电影网站信息
一.爬取前提1)本地安装了mysql数据库 5.6版本2)安装了Python 2.7 二.爬取内容 电影名称.电影简介.电影图片.电影下载链接 三.爬取逻辑1)进入电影网列表页, 针对列表的html内 ...
- python爬取某个网站的图片并保存到本地
python爬取某个网站的图片并保存到本地 #coding:utf- import urllib import re import sys reload(sys) sys.setdefaultenco ...
- 利用python爬取58同城简历数据
利用python爬取58同城简历数据 利用python爬取58同城简历数据 最近接到一个工作,需要获取58同城上面的简历信息(http://gz.58.com/qzyewu/).最开始想到是用pyth ...
- 利用python爬取城市公交站点
利用python爬取城市公交站点 页面分析 https://guiyang.8684.cn/line1 爬虫 我们利用requests请求,利用BeautifulSoup来解析,获取我们的站点数据.得 ...
- 利用Python爬取豆瓣电影
目标:使用Python爬取豆瓣电影并保存MongoDB数据库中 我们先来看一下通过浏览器的方式来筛选某些特定的电影: 我们把URL来复制出来分析分析: https://movie.douban.com ...
- Python爬取电影天堂指定电视剧或者电影
1.分析搜索请求 一位高人曾经说过,想爬取数据,要先分析网站 今天我们爬取电影天堂,有好看的美剧我在上面都能找到,算是很全了. 这个网站的广告出奇的多,用过都知道,点一下搜索就会弹出个窗口,伴随着滑稽 ...
- 利用Python爬取网页图片
最近几天,研究了一下一直很好奇的爬虫算法.这里写一下最近几天的点点心得.下面进入正文: 你可能需要的工作环境: Python 3.6官网下载 我们这里以sogou作为爬取的对象. 首先我们进入搜狗图片 ...
- 没有内涵段子可以刷了,利用Python爬取段友之家贴吧图片和小视频(含源码)
由于最新的视频整顿风波,内涵段子APP被迫关闭,广大段友无家可归,但是最近发现了一个"段友"的app,版本更新也挺快,正在号召广大段友回家,如下图,有兴趣的可以下载看看(ps:我不 ...
- 利用Python爬取朋友圈数据,爬到你开始怀疑人生
人生最难的事是自我认知,用Python爬取朋友圈数据,让我们重新审视自己,审视我们周围的圈子. 文:朱元禄(@数据分析-jacky) 哲学的两大问题:1.我是谁?2.我们从哪里来? 本文 jacky试 ...
随机推荐
- C/C++互相调用
参考: http://www.cnblogs.com/Yogurshine/p/3913073.html http://blog.chinaunix.net/uid-24118190-id-29853 ...
- Luogu 3321 [SDOI2015]序列统计
BZOJ 3992 点开这道题之后才发现我对原根的理解大概只停留在$998244353$的原根是$3$…… 关于原根: 点我 首先写出$dp$方程,设$f_{i, j}$表示序列长度为$i$当前所有数 ...
- F650 led驱动
http://www.fdhisi.com/product/class/74/index.php?page=1&key= 福州福大海矽微电子有限公司 FD650 两线式串行接口 2.7-5.5 ...
- Levenshtein计算相似度距离
使用Levenshtein计算相似度距离,装下模块,调用下函数就好. 拿idf还得自己去算权重,而且不一定准确度高,一般做idf还得做词性归一化,把动词形容词什么全部转成名词,很麻烦. Levensh ...
- CPU位数、地址线位数、数据线位数、通用寄存器位数!
CPU位数:表示的是其通用寄存器的位数,CPU的位数表示该CPU一次处理数据的最大位数. 数据线位数:是CPU的理论最大寻址空间,也是CPU与内存之间一次最大的数据传输位数. 地址线位数:是CPU实际 ...
- UIWebView清除缓存和cookie[转]
现在项目遇到一个问题,游戏底层用Cocos2d-x,公告UI实现是用的UIWebView, 然后第一次在有网络的环境下运行公告UI,会加载url链接,同时就会自动存入缓存,当下次手机没有网络的环境下, ...
- 获取当前的window 以及设置其rootViewController
AppDelegate *app = [[UIApplication sharedApplication] delegate]; app.window.rootViewCont ...
- EBS 并发程序运行信息
--并发程序运行信息SELECT REQUEST_ID, PROGRAM, actual_start_date 开始日期, ACTUAL_COMPLETION_DA ...
- 修改mysql的时间/时区
# 背景 往db中insert数据发现时间不对,因为是新DB,所以猜测是mysql设置不对 # 解决方法 方法一:通过mysql命令行模式下动态修改 show variables like " ...
- EF按时间范围条件查询
查询今日数据 db.Table.Where(d => System.Data.Entity.DbFunctions.DiffDays(d.Time, DateTime.Now) == )