【python爬虫】第十六次 xpath整站抓取阳光电影网电影资源

一、解析电影url

请求15题构造出的每个电影菜单的分页url,解析出每个电影url

二、xpath解析电影资源

对第一题解析出来的电影url进行请求,解析出最终的电影名称 电影下载地址

import requests
from lxml import etree
root_url = 'http://www.ygdy8.com'
#请求阳光电影网站
req = requests.get(root_url)
#输出请求的状态码
status_code = req.status_code
#print(status_code)
#输出网页源码
req.encoding = 'gb2312'
html = req.text
selector = etree.HTML(html)
infos = selector.xpath('//div[@class="contain"]/ul/li[position()<10]/a')
for info in infos:
    info_text = info.xpath('text()')[0]
    if info_text == '经典影片':
        continue
    info_url = root_url + info.xpath('@href')[0]
    #将阳光电影网首页导航栏前9个菜单url抓取,输出结果为可以正常访问的url, 并过滤掉"经典影片"的菜单url
    #print(info_text,info_url)
    req1 = requests.get(info_url)
    req1.encoding = 'gb2312'
    html1 = req1.text
    selector1 = etree.HTML(html1)
    page = selector1.xpath('//div[@class="co_content8"]/div[@class="x"]//text()')[1].split('/')[0].replace('共','').replace('页','').strip()
    page = int(page)
    page_list = selector1.xpath('//div[@class="co_content8"]/div[@class="x"]//a/@href')[0].replace('2.html','')
    url_list = []
    for i in range(1,page+1):
        page_url = info_url.replace('index.html','')+page_list+str(i)+'.html'
        url_list.append(page_url)
    #print(info_text,'共'+str(page)+'页',url_list)
    for page_url in url_list:
        req2 = requests.get(page_url)
        req2.encoding ='gb2312'
        html2 = req2.text
        selector2 = etree.HTML(html2)
        movie_part_urls = selector2.xpath('//div[@class="co_content8"]/ul//a/@href')
        for movie_part_url in movie_part_urls:
            movie_url = root_url + movie_part_url
            req3 = requests.get(movie_url)
            req3.encoding = 'gb2312'
            html3 = req3.text
            selector3 = etree.HTML(html3)
            movie_name = selector3.xpath('//div[@class="co_area2"]//h1/font/text()')[0]
            movie_download_url = selector3.xpath('//div[@class="co_content8"]//table//a/@href')[0].split('/[')[0]
            print(movie_name,movie_download_url)

结果如下

image.png

三、对代码进行分装成函数

import requests
from lxml import etree
from multiprocessing import Pool
#获取阳光电影菜单栏
def get_menu_url(url):
    # 请求阳光电影网站
    req = requests.get(url)
    # 输出请求的状态码
    status_code = req.status_code
    # print(status_code)
    # 输出网页源码
    req.encoding = 'gb2312'
    html = req.text
    selector = etree.HTML(html)
    infos = selector.xpath('//div[@class="contain"]/ul/li[position()<10]/a')
    info_urls = []
    for info in infos:
        info_text = info.xpath('text()')[0]
        if info_text == '经典影片':
            continue
        info_url = root_url + info.xpath('@href')[0]
        info_urls.append(info_url)
    return info_urls

def get_page_url(urls):
    url_list = []
    for url in urls:
        req1 = requests.get(url)
        req1.encoding = 'gb2312'
        html1 = req1.text
        selector1 = etree.HTML(html1)
        page = selector1.xpath('//div[@class="co_content8"]/div[@class="x"]//text()')[1].split('/')[0].replace('共',
                                                                                                               '').replace(
            '页', '').strip()
        page = int(page)
        page_list = selector1.xpath('//div[@class="co_content8"]/div[@class="x"]//a/@href')[0].replace('2.html', '')
        for i in range(1, page + 1):
            page_url = url.replace('index.html', '') + page_list + str(i) + '.html'
            url_list.append(page_url)
    return url_list

def get_movie_url(url):
    root_url = 'http://www.ygdy8.com'
    req2 = requests.get(url)
    req2.encoding = 'gb2312'
    html2 = req2.text
    selector2 = etree.HTML(html2)
    movie_part_urls = selector2.xpath('//div[@class="co_content8"]/ul//a/@href')
    for movie_part_url in movie_part_urls:
        movie_url = root_url + movie_part_url
        req3 = requests.get(movie_url)
        req3.encoding = 'gb2312'
        html3 = req3.text
        selector3 = etree.HTML(html3)
        movie_name = selector3.xpath('//div[@class="co_area2"]//h1/font/text()')[0]
        movie_download_url = selector3.xpath('//div[@class="co_content8"]//table//a/@href')[0]
        print(movie_name, movie_download_url)



if __name__ == '__main__':
    root_url = 'http://www.ygdy8.com'
    ##获取阳光电影菜单栏网址
    menu_urls = get_menu_url(root_url)
    ##获取菜单栏下各分页的网址
    page_urls = get_page_url(menu_urls)
    ##获取电影以及电影网址
    p = Pool(4)
    p.map(get_movie_url, page_urls)

结果如下如图

image.png
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 205,033评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 87,725评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,473评论 0 338
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,846评论 1 277
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,848评论 5 368
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,691评论 1 282
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,053评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,700评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 42,856评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,676评论 2 323
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,787评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,430评论 4 321
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,034评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,990评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,218评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,174评论 2 352
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,526评论 2 343

推荐阅读更多精彩内容