标签：下一步 rom cat path 内容 递归循环 解析 循环 ges
之前看过用Scrapy 框架建立项目爬取 网页解析时候用的Xpath进行解析的网页元素 这次尝试用select方法匹配元素
1、入口爬取页面 http://www.ygdy8.com/index.html
2、用到模块 requests(网页源码下载) BeautifulSoup4(网页解析)
3、思路：首先由入口爬取页面进行获取网页上方栏目及对应url 如下图
4、建立菜单url列表 for 循环再次进行解析 爬取每个一级菜单下的具体电影title 和url
5、问题：每个菜单下的url 进行再次解析后 由于网站内容不同 select 元素会出现非电影标题的连接和标题
6、下一步处理：考虑建类和函数 运用递归循环获取url 并解析
①电影的url 再次进行解析 获取电影下载连接 并写入本地文件
②将5步骤中出现的非电影标题进行判断 删除
7、python 代码
#coding:utf-8
import requests
from bs4 import BeautifulSoup as bs
#爬取入口
rooturl="http://www.ygdy8.com/index.html"
#获取网页源码
res=requests.get(rooturl)
#网站编码gb2312
res.encoding=‘gb2312‘
#网页源码
html=res.text
soup=bs(html,‘html.parser‘)
cate_urls = []
for cateurl in soup.select(‘.contain ul li a‘):
#网站分类标题
cate_name=cateurl.text
#分类url 进行再次爬取
cate_url="http://www.ygdy8.com/"+ cateurl[‘href‘]
cate_urls.append(cate_url)
print "网站一级菜单:",cate_name,"菜单网址：",cate_url
#每个菜单url 解析
for i in range(len(cate_urls)):
cate_listurl=cate_urls[i]
res = requests.get(cate_listurl)
res.encoding = ‘gb2312‘
html = res.text
soup = bs(html, ‘html.parser‘)
print "正在解析第"+str(i+1)+"个链接",cate_urls[i]
contenturls=[]
contents=soup.select(‘.co_content8 ul‘)[0].select(‘a‘)
#print contents
for title in contents:
moivetitle=title.text
moiveurl=title[‘href‘]
contenturls.append(moiveurl)
print moivetitle,moiveurl
print contenturls
8、运行结果
Python 2.7_First_try_爬取阳光电影网_20161206
标签：下一步 rom cat path 内容 递归循环 解析 循环 ges
原文地址：http://www.cnblogs.com/Mr-Cxy/p/6139705.html
