Python 网络爬虫实战：采集《电影天堂》上万部动作片电影

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。

很多人学习python，不知道从何学起。
很多人学习python，掌握了基本语法过后，不知道在哪里寻找案例上手。
很多已经做案例的人，却不知道如何去学习更加高深的知识。
那么针对这三类人，我给大家提供一个好的学习平台，免费领取视频教程，电子书籍，以及课程的源代码！??¤
QQ群：623406465

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/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. 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 urlurl = '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.textmovie.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 urlif 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.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）。


import pyperclipimport osimport pandas as pdimageData = pd.read_csv("Data/电影天堂/动作片2.csv",names=['name','link','download'],encoding = 'gbk')# 获取电影的下载链接，并用换行符分隔a_link = imageData['download']links = '\n'.join(a_link)# 复制到剪切板pyperclip.copy(links);print('已粘贴');# 打开迅雷thunder_path = r'D:\Program Files (x86)\Thunder Network\Thunder9\Program\Thunder.exe'os.startfile(thunder_path)

亲测可以实现，但是。。。不建议尝试（你能想象迅雷打开的一瞬间创建几百个下载任务的场景吗？反正我的电脑是缓了好久好久才反应过来）。大家还是老老实实的，手动复制链接下载吧（csv文件可以用 excel 打开，竖着选中一列，然后复制，也能达到相同的效果），这种骚操作太蠢了还是不要试了。

写在后面的话

啰啰嗦嗦的写了好多，也不知道关键的问题讲清楚了没有。有哪里没讲清楚，或者哪里讲的不合适的话，欢迎骚扰。

其实吧，写文章，写博客，写教程，都是一个知识重新熔炼内化的过程，在写这篇博客的时候，我也一直在反复审视我学习爬虫的过程，以及我爬虫代码一步步的变化，从一开始的所有代码全部揉在主函数中，到后来把一些变动较少的功能提取出来，写成单独的函数，再到后来形成基本稳定的五大部分。

以至于在我后来学习使用 scrapy 框架时候，惊人的发现 scrapy 框架的结构跟我的爬虫结构有着异曲同工之妙，我的这个相当于是一个简易版的爬虫框架了，纯靠自己摸索达到这个效果，我感觉还是挺有成就感的。