python爬取豆瓣电影首页超链接

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了python爬取豆瓣电影首页超链接，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含5030字，纯文字阅读大概需要8分钟。

内容图文

什么是爬虫??

我们可以把互联网比作一张大网,而爬虫(即网络爬虫)便是在网上爬行的蜘蛛。把网的节点比作一个个网页,爬虫爬到这就相当于访问了该页面,获取了其信息。可以把节点间的连线比作网页与网页之间的链接关系,这样蜘蛛通过一个节点后,可以顺着节点连线继续爬行到达下一个节点,即通过一个网页继续获取后续的网页,这样整个网的节点便可以被蜘蛛全部爬行到,网站的数据就可以被抓取下来了。

代码： 

  1 from urllib import request
  2 from collections import deque
  3 from pybloom_live import BloomFilter
  4 from lxml import etree
  5 import hashlib
  6  
  7 class crawel_bfs:  
  8     request_header={
  9             'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
 10             'Accept-Encoding': 'br',
 11             'Accept-Language': 'zh-CN,zh;q=0.9',
 12             'Cache-Control': 'max-age=0',
 13             'Connection': 'keep-alive',
 14             'Cookie': 'bid=Kn9AT5duD7k; gr_user_id=32e433a7-19f0-4e17-80c4-56b58d7c0056; _vwo_uuid_v2=5985FEE132C29EC9C840D6C5EDD95323|67c2ccc8467fc02a9cce6928e86ea013; ll="118281"; __yadk_uid=I4Ki5RUaEWOUdpVIjJfRYo1MEuaW36hA; __utmv=30149280.16369; viewed="10483489_1115600_2230208_26857712_1569487_1623164_26708119_26677686"; __utma=30149280.965685249.1516632348.1528892392.1530880979.81; __utmc=30149280; __utmz=30149280.1530880979.81.57.utmcsr=baidu|utmccn=(organic)|utmcmd=organic; __utmt=1; __utmb=30149280.1.10.1530880979; _pk_ref.100001.4cf6=%5B%22%22%2C%22%22%2C1530880982%2C%22https%3A%2F%2Fwww.douban.com%2F%22%5D; _pk_ses.100001.4cf6=*; __utma=223695111.2038558801.1520348154.1528892435.1530880982.55; __utmb=223695111.0.10.1530880982; __utmc=223695111; __utmz=223695111.1530880982.55.51.utmcsr=douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/; _pk_id.100001.4cf6=da4243a2a9e242f1.1520348154.54.1530881042.1528892472.',
 15             'Host': 'movie.douban.com',
 16             'Referer': 'https://www.douban.com/',
 17             'Upgrade-Insecure-Requests': '1',
 18             'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
 19             }
 20     
 21     cur_level=0
 22     max_level=2
 23         
 24     download_bf=BloomFilter(1024*1024,0.01)
 25     
 26     childque=deque()
 27     nowque=deque()
 28     
 29     def __init__(self,url,file_md5name,file_urlname):
 30         self.file_urlNameMd5_name=file_md5name
 31         self.file_urlName_name=file_urlname
 32         self.deal_file_md5=open(self.file_urlNameMd5_name,'r')
 33         self.file_md5=self.deal_file_md5.readlines()
 34         #用于输入现有的文件
 35         for url_md5_name in self.file_md5:
 36             #-1表示的是换行符,读入时换行符不会占据两个字符
 37             self.download_bf.add(url_md5_name[:-1])
 38         self.deal_file_md5.close()
 39         self.file_md5=open(self.file_urlNameMd5_name,'a')     
 40         self.file_url=open(self.file_urlName_name,'a')
 41         self.nowque.append(url)
 42     
 43     def indeque(self,url):
 44         self.nowque.append(url)
 45         
 46     def outdeque(self):
 47         try:
 48             url=self.nowque.popleft()
 49             return url
 50         except Exception:
 51             self.cur_level+=1
 52             if self.cur_level==self.max_level:
 53                 return None
 54             if len(self.childque)==0:
 55                 return None
 56             self.nowque=self.childque
 57             self.childque=deque()
 58             return self.nowque.popleft()
 59         
 60     def crawler(self,url):
 61           try:
 62             #创建一个request对象，封装一个报文对象
 63             req=request.Request(url,headers=self.request_header)
 64             #发送报文
 65             response=request.urlopen(req)
 66             html_page=response.read()
 67             #按照固定编码解码
 68             html=etree.HTML(html_page.lower().decode('utf-8'))
 69             url_list=html.xpath('//a/@href')
 70             for url in url_list:
 71                 if url.find('javascript:')!=-1:
 72                     continue
 73                 if url.startswith('http://') is False:
 74                     if url.startswith('/') is True:
 75                         url='http://movie.douban.com'+url
 76                     else:
 77                         continue
 78                 if url[-1]=='/':
 79                     url=url[:-1]
 80                 temp=hashlib.md5(url.encode('utf-8')).hexdigest()
 81                 if temp not in self.download_bf:
 82                     self.download_bf.add(url)
 83                     self.childque.append(url)
 84                     self.file_md5.write(temp+'\n')
 85                     self.file_url.write(url+'\n')
 86           except Exception:
 87             print("出现异常")
 88         
 89     def startcrawler(self):
 90         while True:
 91             url=self.outdeque()
 92             if url!=None:
 93                 print("现在爬取"+url+"的超链接")
 94                 self.crawler(url)
 95             else:
 96                 break
 97         self.file_md5.close()
 98         self.file_url.close()
 99         
100 crawel=crawel_bfs("https://movie.douban.com/",'urlmd5.txt',
101                   'urlname.txt')
102 crawel.startcrawler()

内容总结

以上是互联网集市为您收集整理的python爬取豆瓣电影首页超链接全部内容，希望文章能够帮你解决python爬取豆瓣电影首页超链接所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。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。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端