Python 网络爬虫实战：采集《电影天堂》上万部动作片电影
不知不覺，玩爬蟲玩了一個多月了。
我愈發覺得，爬蟲其實并不是什么特別高深的技術，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，它不需要。它只是以一種自動化搜集數據的小工具，能夠獲取到想要的數據，就是它最大的價值。
很多人學習python，不知道從何學起。
很多人學習python，掌握了基本語法過后，不知道在哪里尋找案例上手。
很多已經做案例的人，卻不知道如何去學習更加高深的知識。
那么針對這三類人，我給大家提供一個好的學習平臺，免費領取視頻教程，電子書籍，以及課程的源代碼！??¤
QQ群：623406465
我的爬蟲課老師也常跟我們強調，學習爬蟲最重要的，不是學習里面的技術，因為前端技術在不斷的發展，爬蟲的技術便會隨著改變。學習爬蟲最重要的是，學習它的原理，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，想到并應用爬蟲去解決實際的問題，那么爬蟲的真正意義也久發揮出來了。
這是些閑話啦，有感而發而已。
最近有點片荒，不知道該看什么電影，而且有些電影在網上找好久也找不到資源。后來我了解到這個網站，發現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啦，#掩面）。
所以這次我們要爬取的網站是：《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。
?
這次的網站，從爬蟲的技術角度上來講，難度不大，而且可以說是非常簡單了。但是，它實用啊！你想嘛，早上上班前跑一下爬蟲，晚上回家以后已經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上修改，得到爬取這個網站其他板塊或者其他電影網站的爬蟲。
?
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。
當然，也有一些 「騷操作」，如果你嫌爬蟲效率低，可以開多線程（就是相當于幾十只爬蟲同時給你爬，效率直接翻了幾十倍）；如果擔心爬取頻率過高被網站封 IP，可以掛 IP 代理（相當于打幾槍換個地方，對方網站就不知道你究竟是爬蟲還是正常訪問的用戶了）；如果對方網站有反爬機制，那么也有一些騷操作可以繞過反爬機制（有點黑客攻防的感覺，有木有！）。這些都是后話了。
?
爬蟲部分
一、分析網站結構（以動作片電影為例）
1. 分析網頁的 URL 的組成結構
首先，我們需要分析網頁的 URL 的組成結構，主要關注兩方面，一是如何切換選擇的電影類型，二是網頁如何翻頁的。
- 點擊網頁上的電影類型的按鈕，觀察地址欄中的 URL ，發現網址和電影類型的關系如下：
| 電影類型 | 網址 |
| 劇情片 | https://www.dy2018.com/0/ |
| 喜劇片 | https://www.dy2018.com/1/ |
| 動作片 | https://www.dy2018.com/2/ |
| 愛情片 | https://www.dy2018.com/3/ |
| 科幻片 | https://www.dy2018.com/4/ |
| 動畫片 | https://www.dy2018.com/5/ |
| 懸疑片 | https://www.dy2018.com/6/ |
| 驚悚片 | https://www.dy2018.com/7/ |
| 恐怖片 | https://www.dy2018.com/8/ |
| 記錄片 | https://www.dy2018.com/9/ |
| ...... | ...... |
| 災難片 | https://www.dy2018.com/18/ |
| 武俠片 | https://www.dy2018.com/19/ |
| 古裝片 | https://www.dy2018.com/20/ |
發現規律了吧，以后如果想爬其他類型的電影，只要改變 url 中的數字即可，甚至你可以寫一個循環，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，發現這里有翻頁的按鈕，點擊按鈕翻頁的同時，觀察 url 的變化。
| 頁碼 | URL |
| 第一頁 | https://www.dy2018.com/2/index.html |
| 第二頁 | https://www.dy2018.com/2/index_2.html |
| 第三頁 | https://www.dy2018.com/2/index_3.html |
| 第四頁 | https://www.dy2018.com/2/index_4.html |
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站的 url 的構成形式，這樣我們就可以通過自己構造 url 來訪問任意類型電影的任意一頁了，是不是很酷。
?
2. 分析網站的頁面結構
其次，我們分析一下網站的頁面結構，看一看我們需要的信息都藏在網頁的什么地方（在這之前我們先要明確一下我們需要哪些數據），由于我們這個目的是下載電影，所以對我有用的數據只有兩個，電影名稱和下載電影的磁力鏈接。
按 F12 召喚出開發者工具（這個工具可以幫助你快速定位網頁中的元素在 html 源代碼中位置）。
然后，我們可以發現，電影列表中，每一部電影的信息存放在一個 <table> 標簽里，而電影的名字，就藏在里面的一個 <a> 標簽中。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址也在這個?<a> 標簽中（ href 屬性的值）。
而下載的磁力鏈接，存放在 <tbody> 標簽下的 <a> 標簽中，是不是很好找啊！
最后我們來縷一縷思路，一會兒我們準備這樣操作：通過前面的網址的構造規則，訪問到網站的某一頁，然后獲取到這個頁面里的所有 table 標簽（這里存放著電影的數據），然后從每一個 table 標簽中找到存有電影名稱的 a 標簽（這里可以拿到電影名稱以及詳情頁面的網址），然后通過這里獲取的網址訪問電影的詳情頁面，在詳情頁面挑選出 <tbody> 標簽下的 <a> 標簽（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據了，是不是很簡單啊。
?
二、爬蟲編碼階段?
爬蟲的程序，我一般習慣把它分成五個部分， 一是主函數，作為程序的入口，二是爬蟲調度器，三是網絡請求函數，四是網頁解析函數，五是數據存儲函數。
- get_data ：其參數是目標網頁 url，這個函數可以模擬瀏覽器訪問 url，獲取并將網頁的內容返回。
- parse_data ：其參數是網頁的內容，這個函數主要是用來解析網頁內容，篩選提取出關鍵的信息，并打包成列表返回。
- save_data ：其參數是數據的列表，這個函數用來將列表中的數據寫入本地的文件中。
- main ：這個函數是爬蟲程序的調度器，可以根據事先分析好的 url 的規則，不斷的構造新的請求 url，并調用其他三個函數，獲取數據并保存到本地，直到結束。
- if __name__ == '__main__' ：這是主程序的入口，在這里調用 main 函數，啟動爬蟲調度器即可。
?1.?網絡請求函數 ：get_data (url)
負責訪問指定的 url 網頁，并將網頁的內容返回，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，可以做一些相應的調整）。
def get_data(url):'''功能：訪問 url 的網頁，獲取網頁內容并返回參數：url ：目標網頁的 url返回：目標網頁的 html 內容'''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.textexcept requests.HTTPError as e:print(e)print("HTTPError")except requests.RequestException as e:print(e)except:print("Unknown Error !")2.?網頁解析函數：parse_data(html)
?這個函數是整個爬蟲程序的核心所在，整體思路在上一部分已經講過了。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站的頁面結構來做調整的，比如說有的網站提供了數據的 api 接口，那么返回的數據就是 json 格式，我們只需要調用 json 庫就可以完成數據解析，而大部分的網站只能通過從網頁源代碼中一層層篩選（篩選手段也多種多樣，什么正則表達式，beautifulsoup等等）。
這里需要根據數據的形式來選擇不同的篩選策略，所以，知道原理就可以了，習慣什么方法就用什么方法，反正最后能拿到數據就好了。
def parse_data(html):'''功能：提取 html 頁面信息中的關鍵信息，并整合一個數組并返回參數：html 根據 url 獲取到的網頁內容返回：存儲有 html 中提取出的關鍵信息的數組'''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 urlurl = 'https://www.dy2018.com' + link["href"]# 將數據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來for i in tbody:download = i.a.textmovie.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 info3. 數據存儲函數：save_data(data)
?這個函數目的是將數據存儲到本地文件或數據庫中，具體的寫法要根據實際需要的存儲形式來定，我這里是將數據存放在本地的 csv 文件中。
當然這個函數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據處理的操作，比如說：數據清洗，數據去重等操作。
def save_data(data):'''功能：將 data 中的信息輸出到文件中/或數據庫中。參數：data 將要保存的數據'''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. 爬蟲調度器：main()
這個函數負責根據 url 生成規則，構造新的 url 請求，然后依次調用網絡請求函數，網頁解析函數，數據存儲函數，爬取并保存該頁數據。
所謂爬蟲調度器，就是控制爬蟲什么時候開始爬，多少只爬蟲一起爬，爬哪個網頁，爬多久休息一次，等等這些事兒。
def main():# 循環爬取多頁數據for page in range(1, 114):print('正在爬取：第' + str(page) + '頁......')# 根據之前分析的 URL 的組成結構，構造新的 urlif page == 1:index = 'index'else:index = 'index_' + str(page)url = 'https://www.dy2018.com/2/'+ index +'.html'# 依次調用網絡請求函數，網頁解析函數，數據存儲函數，爬取并保存該頁數據html = get_data(url)movies = parse_data(html)save_data(movies)print('第' + str(page) + '頁完成！')5. 主函數：程序入口
主函數作為程序的入口，只負責啟動爬蟲調度器。
這里我一般習慣在 main() 函數前后輸出一條語句，以此判斷爬蟲程序是否正常啟動和結束。
if __name__ == '__main__':print('爬蟲啟動成功！')main()print('爬蟲執行完畢！')三、程序運行結果
?運行了兩個小時左右吧，終于爬完了 113 頁，共 3346 部動作片電影的數據（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化
1. 在網站提供的下載鏈接中，我試了一下，發現?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敗（我不知道是不是我打開的方式不對，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，只需要調整 網頁解析函數 即可（爬蟲的五個部分是相對獨立的，修改時只需調整相應的模塊即可，其余部分無需修改）。
def parse_data(html):'''功能：提取 html 頁面信息中的關鍵信息，并整合一個數組并返回參數：html 根據 url 獲取到的網頁內容返回：存儲有 html 中提取出的關鍵信息的數組'''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.textif 'magnet:?xt=urn:btih' in download:movie.append(name)movie.append(url)movie.append(download)#print(movie)info.append(movie)breakexcept 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。
就是我們發現迅雷軟件啟動后，會自動檢測我們的剪切板，只要我們復制了下載鏈接，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，將下載的鏈接復制進入剪切板，等下載框自動出現后，手動確認開始下載（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，歡迎指導交流）。
import pyperclipimport osimport pandas as pdimageData = 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，但是。。。不建議嘗試（你能想象迅雷打開的一瞬間創建幾百個下載任務的場景嗎？反正我的電腦是緩了好久好久才反應過來）。大家還是老老實實的，手動復制鏈接下載吧（csv文件可以用 excel 打開，豎著選中一列，然后復制，也能達到相同的效果）?，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化的過程，在寫這篇博客的時候，我也一直在反復審視我學習爬蟲的過程，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，再到后來形成基本穩定的五大部分。
以至于在我后來學習使用 scrapy 框架時候，驚人的發現 scrapy 框架的結構跟我的爬蟲結構有著異曲同工之妙，我的這個相當于是一個簡易版的爬蟲框架了，純靠自己摸索達到這個效果，我感覺還是挺有成就感的。
總結
以上是生活随笔為你收集整理的Python 网络爬虫实战：采集《电影天堂》上万部动作片电影的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 知网文件CAj转pdf（可选中文字）的开
- 下一篇： python人工智能招聘-SiKi学院P