看了几天的python语法，还是应该写个东西练练手。刚好假期里面看电影，找不到很好的影片，于是有个想法，何不搞个爬虫把电影天堂里面8分以上的电影爬出来。做完花了两三个小时，撸了这么一个程序。反正蛮简单的，思路和之前用nodejs写爬虫一样。

爬虫的入口从分页的列表开始，比如美剧的列表第一页地址这样： http://www.ygdy8.net/html/gndy/oumei/list_7_1.html，第二页是http://www.ygdy8.net/html/gndy/oumei/list_7_2.html，是有规律的，所以就可以遍历所有的页面，分别抓取每页里面的影视资源，再进入每条电影的详情页面，抓取出下载地址，存到文件里。

技术上用的是requests 和 BeautifulSoup两个模块。

具体做法是，先从电影列表中定位每条资源中的IMDB(b)评分大于8分的资源，并且将结果放入movie对象中。

class Movie:

def __init__(self, name, url, score, link):

self.name = name

self.url = url

self.score = score

self.link = link

def __str__(self):

return '%s,\t%s分,\t%s' % (self.name, self.score, self.link)

__repr__ = __str__

# 过滤资源

def filterMovie(url):

resultList = []

soup = getSoup(url)

tables = soup.find_all('table', class_='tbspan')

for table in tables:

nameA = table.find('a', text=re.compile("《"))

td = table.find('td', text=re.compile("IMD"))

if td is not None:

scoreStr = re.findall(r"评分 (.+?)/10", td.text)

if(len(scoreStr) > 0):

try:

score = float(scoreStr[0])

if(score > 8):

name = nameA.text

url = site + nameA['href']

print('url:', url)

print('title:', name)

print('score:', score)

downloadLink = getDownloadLink(url)

movie = Movie(name, url, score, downloadLink)

resultList.append(movie)

except:

print('error !!')

return resultList

其中的getDownloanLink(url)是进入电影详情页获取下载链接。

def getDownloadLink(url):

soup = getSoup(url)

downloadTd = soup.find('td', attrs={"style": "WORD-WRAP: break-word"})

downloadA = downloadTd.find('a')

return downloadA['href']

然后是将电影信息存入到文件data.txt中。

def saveInfo(movieList):

fileObj = open('data.txt', 'a')

for movie in movieList:

movie_str = str(movie)

print('movie info:', movie_str)

global lineNo

fileObj.write('(' + str(lineNo) + ') ' + movie_str)

fileObj.write('\n')

fileObj.write('———————————')

fileObj.write('\n')

lineNo += 1

fileObj.close()

经过上面的步骤，即可将某一页的电影资源抓取到，并且存入文件中。

程序的主入口，遍历列表即可。目前他们只有155页，就限制这么多页码。

if __name__ == '__main__':

for index in range(156):

index += 1

url = 'http://www.ygdy8.net/html/gndy/oumei/list_7_' + \

str(index) + '.html'

getPageResource(url)

具体代码在github中，传送门，爬到的结果也放入代码仓库中了。有兴趣的，可以下载看看。