提示：最新Python资料/学习指南>>戳我直达

文章目录

• 前言
• 爬虫获取多级页面数据
• • 多级页面分析
  • • • 1) 寻找url规律
      • 2) 确定正则表达式
  • 爬虫增量抓取
  • 程序代码实现
  • • • 1) 建库建表
      • 2) url指纹生成
      • 3) 程序完整代码
• 小结

前言

爬虫获取多级页面数据

前面讲解的爬虫案例都是单级页面数据抓取，但有些时候，只抓取一个单级页面是无法完成数据提取的。本节讲解如何使用爬虫抓取多级页面的数据。在爬虫的过程中，多级页面抓取是经常遇见的。下面以抓取二级页面为例，对每级页面的作用进行说明：

• 一级页面提供了获取二级页面的访问链接。
• 二级页面作为详情页用来提取所需数据。

一级页面以<a>标签的形式链接到二级页面，只有在二级页面才可以提取到所需数据。

话不多说，开练！

爬虫获取多级页面数据

多级页面分析

下面以电影天堂新片精品为案例进行讲解，将每部影片的名称，以及下载链接抓取下来。首先点击“更多”进入一级页面，如下图所示：

图1：Python爬虫多级页面抓取

1) 寻找url规律

通过简单分析可以得知一级与二级页面均为静态页面，接下来分析 url 规律，通过点击第 1 页，第 2 页 …，其规律如下：

2) 确定正则表达式

通过元素审查可知一级页面的元素结构如下：

图2：页面元素分析

其正则表达式如下：

<table width=”100%”.*?<td width=”5%”.*?<a href=”(.*?)”.*?ulink”>.*?</table>

点击二级页面进入详情页，通过开发者工具分析想要数据的网页元素，即电影名称，和下载链接，其正则表达式如下：

<div class=”title_all”><h1><font color=#07519a>(.*?)</font></h1></div>.*?<div><a href=”(.*?)”>.*?</a>

爬虫增量抓取

爬虫是一种效率很低的程序，非常消耗计算机资源。对于聚焦爬虫程序而言，需要每天对特定的网站进行数据抓取，如果每次都去抓取之前已经抓取过的数据，就会白白消耗了时间和资源。而增量爬虫是指通过监测网站更新的情况，只抓取最新数据的一种方式，这样就大大降低了资源的消耗。

对于本节案例来说，电影天堂网站每天都会更新内容，因此编写一个增量抓取的爬虫程序是非常合适的。那么要如何判断爬虫程序是否已抓取过二级页面的 url 呢？其实，当您第一次运行爬虫程序时，爬虫会将所有的 url 抓取下来，然后将这些 url 放入数据库中。为了提高数据库的查询效率，您可以为每一个 url 生成专属的“指纹”。当网站更新后，第二次运行爬虫程序时，程序只会对数据库中不存在的指纹进行抓取。

程序代码实现

1) 建库建表

将抓取的数据的存放至 MySQL 数据库，需要先进行建库建表操作。注意，这里需要将 url 指纹单独存放在一张表中，如下所示：

create database movieskydb charset utf8; use movieskydb; create table request_finger( finger char(60) )charset=utf8; create table movieinfo( moviename varchar(300), downloadaddr varchar(600) )charset=utf8;

2) url指纹生成

您可以使用 Python 内置模块 md5 来生成加密“指纹”，如下所示。

#导入模块 from hashlib import md5 #待加密的url url=“https://www.电影天堂8.net/html/gndy/dyzz/20210226/61131.html” # 生成MD5对象 secret = md5() # 加密url secret.update(url.encode()) # 提取十六进制的加密串 finger = secret.hexdigest() print(finger)

输出结果：

2d5e46ee52756e8ae59c9ba42230b883

3) 程序完整代码

• 代码不要拿来就用哦，仔细看看，主要是学习方法

# -*- coding: utf-8 -*- from urllib import request import re import time import random import pymysql from hashlib import md5 from ua_info import ua_list import sys

class MovieSkySpider(object): def __init__(self): self.url = ‘https://www.电影天堂8.net/html/gndy/dyzz/list_23_{}.html’ self.db = pymysql.connect( ‘localhost’,‘root’,‘123456’,‘movieskydb’, charset=‘utf8’ ) self.cursor = self.db.cursor()

# 1.请求函数 def get_html(self, url): headers = {‘User-Agent’: random.choice(ua_list)} req = request.Request(url=url, headers=headers) res = request.urlopen(req) # 本网站使用gb2312的编码格式 html = res.read().decode(‘gb2312’, ‘ignore’)

return html

# 2.正则解析函数 def re_func(self,re_bds,html): pattern = re.compile(re_bds,re.S) r_list = pattern.findall(html)

return r_list

# 3.提取数据函数 def parse_html(self,one_url): # 调用请求函数，获取一级页面 one_html = self.get_html(one_url) re_bds = ‘<table width=”100%”.*?<td width=”5%”.*?<a href=”(.*?)”.*?ulink”>.*?</table>’ # 获取二级页面链接 # link_list: [‘/html//html/gndy/dyzz/20210226/61131.html’,’/html/xxx’,”,”] link_list = self.re_func(re_bds,one_html) for link in link_list: # 判断是否需要爬取此链接 # 1.获取指纹 # 拼接二级页面url two_url = ‘https://www.电影天堂8.net’ + link s = md5() #加密url，需要是字节串 s.update(two_url.encode()) # 生成指纹，获取十六进制加密字符串， finger = s.hexdigest() # 2.通过函数判断指纹在数据库中是否存在 if self.is_hold_on(finger): # 抓取二级页面数据 self.save_html(two_url) time.sleep(random.randint(1,2)) # 抓取后，把想用的url专属指纹存入数据库 ins = ‘insert into request_finger values (%s)’ self.cursor.execute(ins,[finger]) self.db.commit() else: sys.exit(‘更新完成’)

# 4.判断链接是否已经抓取过 def is_hold_on(self,finger): # 查询数据库 sql=‘select finger from request_finger where finger=%s’ # execute()函数返回值为受影响的行数（即0或者非0） r = self.cursor.execute(sql,[finger]) # 如果为0表示没有抓取过 if not r: return True

# 5.解析二级页面，获取数据（名称与下载链接） def save_html(self,two_url): two_html = self.get_html(two_url) re_bds = ‘<div class=“title_all”><h1><font color=#07519a>(.*?)</font></h1> \ </div>.*?<a.*?href=“(.*?)”.*?>.*?style=“BACKGROUND–COLOR:.*?</a>‘ # film_list: [(‘name’,’downloadlink’),(),(),()] film_list = self.re_func(re_bds,two_html) print(film_list) # 插入数据库 sql = ‘insert into movieinfo values(%s,%s)’ #L = list(film_list[0]) self.cursor.executemany(sql,film_list) self.db.commit()

#主函数 def run(self): # 二级页面后四页的正则表达式略有不同，需要重新分析 for i in range(1,4): url = self.url.format(i) self.parse_html(url)

if __name__ == ‘__main__’: spider = MovieSkySpider() spider.run()

若要查询数据库存储数据，执行以下命令即可：

mysql> select * from movieinfo\G

在二级页面提取数据时要注意该页面的类型。该网站在二级页面使用了两种类型的网页结构，另外一种页面结构的正则表达式如下所示：

<div class=”title_all”><h1><font color=#07519a>(.*?)</font></h1></div>.*?<td style=”WORD-WRAP.*?>.*?>(.*?)</a>