现在无论是视频还是音乐的版权意识都开始建立起来了,但是资源不集中,导致老是要开启多个视频网站的会员才能够看完自己想要的视频资源,这样实在是太鸡肋。今天黑洞代理就教大家用Python去抓取腾讯视频的视频资源:
# -*- coding: utf-8 -*-
import re
import urllib2
from bs4 import BeautifulSoup
import string, time
import pymongo
NUM = 0 #全局变量,电影数量
m_type = u'' #全局变量,电影类型
m_site = u'qq' #全局变量,电影网站
#根据指定的URL获取网页内容
def gethtml(url):
req = urllib2.Request(url)
response = urllib2.urlopen(req)
html = response.read()
return html
#从电影分类列表页面获取电影分类
def gettags(html):
global m_type
soup = BeautifulSoup(html) #过滤出分类内容
#print soup
#
tags_all = soup.find_all('ul', {'class' : 'clearfix _group' , 'gname' : 'mi_type'})
#print len(tags_all), tags_all
#print str(tags_all[1]).replace('
', '')
#动作
re_tags = r'.+?'
p = re.compile(re_tags, re.DOTALL)
tags = p.findall(str(tags_all[0]))
if tags:
tags_url = {}
#print tags
for tag in tags:
tag_url = tag[0].decode('utf-8')
#print tag_url
m_type = tag[1].decode('utf-8')
tags_url[m_type] = tag_url
else:
print "Not Find"
return tags_url
#获取每个分类的页数
def get_pages(tag_url):
tag_html = gethtml(tag_url)
#div class="paginator
soup = BeautifulSoup(tag_html) #过滤出标记页面的html
#print soup
#
div_page = soup.find_all('div', {'class' : 'mod_pagenav', 'id' : 'pager'})
#print div_page #len(div_page), div_page[0]
#25
re_pages = r'(.+?)'
p = re.compile(re_pages, re.DOTALL)
pages = p.findall(str(div_page[0]))
#print pages
if len(pages) > 1:
return pages[-2]
else:
return 1
def getmovielist(html):
soup = BeautifulSoup(html)
#
divs = soup.find_all('ul', {'class' : 'mod_list_pic_130'})
#print divs
for div_html in divs:
div_html = str(div_html).replace('
', '')
#print div_html
getmovie(div_html)
def getmovie(html):
global NUM
global m_type
global m_site
re_movie = r'
'
p = re.compile(re_movie, re.DOTALL)
movies = p.findall(html)
if movies:
conn = pymongo.Connection('localhost', 27017)
movie_db = conn.dianying
playlinks = movie_db.playlinks
#print movies
for movie in movies:
#print movie
NUM += 1
print "%s : %d" % ("=" * 70, NUM)
values = dict(
movie_title = movie[1],
movie_url = movie[0],
movie_site = m_site,
movie_type = m_type
)
print values
playlinks.insert(values)
print "_" * 70
NUM += 1
print "%s : %d" % ("=" * 70, NUM)
#else:
# print "Not Find"
def getmovieinfo(url):
html = gethtml(url)
soup = BeautifulSoup(html)
#pack pack_album album_cover
divs = soup.find_all('div', {'class' : 'pack pack_album album_cover'})
#print divs[0]
#
re_info = r' '
p_info = re.compile(re_info, re.DOTALL)
m_info = p_info.findall(str(divs[0]))
if m_info:
return m_info
else:
print "Not find movie info"
return m_info
def insertdb(movieinfo):
global conn
movie_db = conn.dianying_at
movies = movie_db.movies
movies.insert(movieinfo)
if __name__ == "__main__":
global conn
tags_url = "http://v.qq.com/list/1_-1_-1_-1_1_0_0_20_0_-1_0.html"
#print tags_url
tags_html = gethtml(tags_url)
#print tags_html
tag_urls = gettags(tags_html)
#print tag_urls
for url in tag_urls.items():
print str(url[1]).encode('utf-8') #,url[0]
maxpage = int(get_pages(str(url[1]).encode('utf-8')))
print maxpage
for x in range(0, maxpage):
#http://v.qq.com/list/1_0_-1_-1_1_0_0_20_0_-1_0.html
m_url = str(url[1]).replace('0_20_0_-1_0.html', '')
movie_url = "%s%d_20_0_-1_0.html" % (m_url, x)
print movie_url
movie_html = gethtml(movie_url.encode('utf-8'))
#print movie_html
getmovielist(movie_html)
time.sleep(0.1)
这样我们就能够把企鹅家的视频给抓取下来了,学好这个抓取代码,日后想看哪个就抓取哪个下来。
相关文章内容简介
1 代理IP爬取腾讯视频
现在无论是视频还是音乐的版权意识都开始建立起来了,但是资源不集中,导致老是要开启多个视频网站的会员才能够看完自己想要的视频资源,这样实在是太鸡肋。今天黑洞代理就教大家用Python去抓取腾讯视频的视频资源: #∵-*-∵coding:∵utf-8∵-*- import∵re import∵urllib2 from∵bs4∵import∵BeautifulSoup import∵string,∵time import∵pymongo ... [阅读全文]
最新标签
推荐阅读
22
2019-11
什么是IP代理服务器?安全性和更高的连接速度
什么是IP代理服务器?安全性和更高的连接速度
22
2019-11
代理网络服务器会纪录你的真正IP吗?ip代理软件使用
代理网络服务器会纪录你的真正IP吗?ip代理软件使用
06
2018-08
代理IP如何隐藏IP地址?
为什么我们上网的时候需要隐藏自己的真实IP?现在网络盗用信息以及网络诈骗频频发生,使用网站的时候,我们需要保护好个人信息以及隐私,这样我们才能够有安全的网络环境。
12
2019-11
跟着黑洞代理走进爬虫技术
大数据+时代,企业需要动用到网络爬虫的时候要比以前要多,通过爬虫去抓取我们需要的数据信息,才能够为企业未来发展提供帮助。尤其是在代理IP的风靡之下,爬虫的技术门槛没以前那么复
热门文章
在线咨询
客户经理
公众号
关注公众号,免费领试用
大客户