网络编程
位置:首页>> 网络编程>> Python编程>> Python抓取电影天堂电影信息的代码

Python抓取电影天堂电影信息的代码

作者:itjh  发布时间:2023-07-23 17:18:49 

标签:Python,电影天堂

Python2.7Mac OS

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

获取页面的中电影详情页链接


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")

总结

学好正则表达式很重要,很重要,很重要!!!! Python的语法好有感觉, 对比Java …

0
投稿

猜你喜欢

手机版 网络编程 asp之家 www.aspxhome.com