先来简单介绍一下,网络爬虫的基本实现原理吧。一个爬虫首先要给它一个起点,所以需要精心选取一些URL作为起点,然后我们的爬虫从这些起点出发,抓取并解析所抓取到的页面,将所需要的信息提取出来,同时获得的新的URL插入到队列中作为下一次爬取的起点。这样不断地循环,一直到获得你想得到的所有的信息爬虫的任务就算结束了。我们通过一张图片来看一下。admin管理员组文章数量:1657213
好的 下面进入正题,来讲解下程序的实现。
首先要分析一下电影天堂网站的首页结构。
从上面的菜单栏中我们可以看到整个网站资源的总体分类情况。刚刚好我们可以利用到它的这个分类,将每一个分类地址作为爬虫的起点。
①解析首页地址 提取分类信息
[py] view plaincopy
- #解析首页
- def CrawIndexPage(starturl):
- print "正在爬取首页"
- page = __getpage(starturl)
- if page=="error":
- return
- page = page.decode('gbk', 'ignore')
- tree = etree.HTML(page)
- Nodes = tree.xpath("//div[@id='menu']//a")
- print "首页解析出地址",len(Nodes),"条"
- for node in Nodes:
- CrawledURLs = []
- CrawledURLs.append(starturl)
- url=node.xpath("@href")[0]
- if re.match(r'/html/[A-Za-z0-9_/]+/index.html', url):
- if __isexit(host + url,CrawledURLs):
- pass
- else:
- try:
- catalog = node.xpath("text()")[0].encode("utf-8")
- newdir = "E:/电影资源/" + catalog
- os.makedirs(newdir.decode("utf-8"))
- print "创建分类目录成功------"+newdir
- thread = myThread(host + url, newdir,CrawledURLs)
- thread.start()
- except:
- pass
在这个函数中,首先将网页的源码下载下来,通过XPath解析出其中的菜单分类信息。并创建相应的文件目录。有一个需要注意的地方就是编码问题,但是也是被这个编码纠缠了好久,通过查看网页的源代码,我们可以发现,网页的编码采用的是GB2312,这里通过XPath构造Tree对象是需要对文本信息进行解码操作,将gb2312变成Unicode编码,这样DOM树结构才是正确的,要不然在后面解析的时候就会出现问题。
②解析每个分类的主页
[py] view plaincopy
- # 解析分类文件
- def CrawListPage(indexurl,filedir,CrawledURLs):
- print "正在解析分类主页资源"
- print indexurl
- page = __getpage(indexurl)
- if page=="error":
- return
- CrawledURLs.append(indexurl)
- page = page.decode('gbk', 'ignore')
- tree = etree.HTML(page)
- Nodes = tree.xpath("//div[@class='co_content8']//a")
- for node in Nodes:
- url=node.xpath("@href")[0]
- if re.match(r'/', url):
- # 非分页地址 可以从中解析出视频资源地址
- if __isexit(host + url,CrawledURLs):
- pass
- else:
- #文件命名是不能出现以下特殊符号
- filename=node.xpath("text()")[0].encode("utf-8").replace("/"," ")\
- .replace("\\"," ")\
- .replace(":"," ")\
- .replace("*"," ")\
- .replace("?"," ")\
- .replace("\""," ")\
- .replace("<", " ") \
- .replace(">", " ")\
- .replace("|", " ")
- CrawlSourcePage(host + url,filedir,filename,CrawledURLs)
- pass
- else:
- # 分页地址 从中嵌套再次解析
- print "分页地址 从中嵌套再次解析",url
- index = indexurl.rfind("/")
- baseurl = indexurl[0:index + 1]
- pageurl = baseurl + url
- if __isexit(pageurl,CrawledURLs):
- pass
- else:
- print "分页地址 从中嵌套再次解析", pageurl
- CrawListPage(pageurl,filedir,CrawledURLs)
- pass
- pass
打开每一个分类的首页会发现都有一个相同的结构( 点击打开示例 )首先解析出包含资源URL的节点,然后将名称和URL提取出来。这一部分有两个需要注意的地方。一是因为最终想要把资源保存到一个txt文件中,但是在命名时不能出现一些特殊符号,所以需要处理掉。二是一定要对分页进行处理,网站中的数据都是通过分页这种形式展示的,所以如何识别并抓取分页也是很重要的。通过观察发现,分页的地址前面没有“/”,所以只需要通过正则表达式找出分页地址链接,然后嵌套调用即可解决分页问题。
③解析资源地址保存到文件中
[py] view plaincopy
- #处理资源页面 爬取资源地址
- def CrawlSourcePage(url,filedir,filename,CrawledURLs):
- print url
- page = __getpage(url)
- if page=="error":
- return
- CrawledURLs.append(url)
- page = page.decode('gbk', 'ignore')
- tree = etree.HTML(page)
- Nodes = tree.xpath("//div[@align='left']//table//a")
- try:
- source = filedir + "/" + filename + ".txt"
- f = open(source.decode("utf-8"), 'w')
- for node in Nodes:
- sourceurl = node.xpath("text()")[0]
- f.write(sourceurl.encode("utf-8")+"\n")
- f.close()
- except:
- print "!!!!!!!!!!!!!!!!!"
这段就比较简单了,将提取出来的内容写到一个文件中就行了
为了能够提高程序的运行效率,使用了多线程进行抓取,在这里我是为每一个分类的主页都开辟了一个线程,这样极大地加快了爬虫的效率。想当初,只是用单线程去跑,结果等了一下午最后因为一个异常没处理到结果一下午都白跑了!!!!心累
[py] view plaincopy
- class myThread (threading.Thread): #继承父类threading.Thread
- def __init__(self, url, newdir,CrawledURLs):
- threading.Thread.__init__(self)
- self.url = url
- self.newdir = newdir
- self.CrawledURLs=CrawledURLs
- def run(self): #把要执行的代码写到run函数里面 线程在创建后会直接运行run函数
- CrawListPage(self.url, self.newdir,self.CrawledURLs)
以上只是部分代码,全部代码可以到GitHub上面去下载( 点我跳转 )
最后爬取的结果如下。
版权声明:本文标题:多线程爬虫爬取电影天堂资源 内容由热心网友自发贡献,该文观点仅代表作者本人, 转载请联系作者并注明出处:https://www.elefans.com/dongtai/1729778789a1212526.html, 本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。
发表评论