爬虫学习崔庆才
完整代码见here待上传github挂了吗
1、获取网页源代码
网址为:http://maoyan.com/board/4
点击f12----->network---->response可以看到源代码
将源代码拉取下来
# 获取猫眼电影排行榜
import requests
import re
import json
def get_one_page(url): # 获取网页源代码
headers = {
'User-Agent':'Mozilla/5.0 (Macinatosh;Intel Mac OS X 10_13_3) AppleWebkit/537.36 (KHTML,like Gecko) Chrome/65.0.3325.162 Safari/537.36'
}
response = requests.get(url,headers=headers)
if response.status_code == 200:
return response.text
return None
2、通过正则表达式,获取目标字段
# 一部电影对应一个dd节点
# 排名信息在board-index的i节点内
<dd>.*?board-index.*?>(.*?)</i>
# 随后电影图片,经验证,发现<img data-src> 是电影图片
<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)"
# 电影名称
<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>
# 主演、发布时间、评分
<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>
def parse_one_page(html): # 通过正则表达式获取目标字段
pattern = re.compile(
'<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>',re.S
)
items = re.findall(pattern,html)
q=[]
for item in items:
p = {}
p = {
'index':item[0],
'image':item[1],
'title':item[2].strip(),
'actor':item[3].strip()[3:] if len(item[3]) > 3 else '',
'time':item[4].strip()[5:] if len(item[4]) > 5 else '',
'score':item[5].strip() + item[6].strip()
}
q.append(p)
# print(p)
return q
3、保存到文件中:
def write_to_file(content):
with open('G:/result.txt ','a',encoding='utf-8') as f:
print(type(json.dumps(content)))
f.write(json.dumps(content, ensure_ascii=False)+'\n')
完整代码:
# 获取猫眼电影排行榜
import requests
import re
import json
def get_one_page(url): # 获取网页源代码
headers = {
'User-Agent':'Mozilla/5.0 (Macinatosh;Intel Mac OS X 10_13_3) AppleWebkit/537.36 (KHTML,like Gecko) Chrome/65.0.3325.162 Safari/537.36'
}
response = requests.get(url,headers=headers)
if response.status_code == 200:
return response.text
return None
def parse_one_page(html): # 通过正则表达式获取目标字段
pattern = re.compile(
'<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>',re.S
)
items = re.findall(pattern,html)
q=[]
for item in items:
p = {}
p = {
'index':item[0],
'image':item[1],
'title':item[2].strip(),
'actor':item[3].strip()[3:] if len(item[3]) > 3 else '',
'time':item[4].strip()[5:] if len(item[4]) > 5 else '',
'score':item[5].strip() + item[6].strip()
}
q.append(p)
return q
def write_to_file(content):
with open('G:/result.txt ','a',encoding='utf-8') as f:
print(type(json.dumps(content)))
f.write(json.dumps(content, ensure_ascii=False)+'\n')
def main():
for i in range(0,10):
url = 'http://maoyan.com/board/4?offset='+str(i*10)
html = get_one_page(url)
for item in parse_one_page(html):
write_to_file(item)
main()