我的第一个爬虫

前些日子写了个简单爬虫,想了想还是放上来吧

爬取电影网站排行榜前100电影信息,因为网站爬的人多了,所以增加了反爬机制。这里在请求头中添加cookie,然后将网址改成https即可

添加cookie的步骤:

效果图展示如下:

接下来是代码:

import requests
from requests.exceptions import RequestException
import json
import re
import time



def get_one_page(url):
    try:
        headers = {
            'User-Agent': 'Mozilla/5.0(Macintosh; Intel Mac OS X 10_13_3) AppleWebkit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537.36',
            'Cookie' : '__mta=48659097.1613224859256.1613224859256.1613224859256.1; uuid_n_v=v1; uuid=E576D6A06E0311EBBFF0B5C7CD64C7244E2F4B86DD3149F4AF3A5279EF8E7FE1; _csrf=f29d1e06f5f9fc7bcfa915f363d41bdc7109ffb52f3fd7fecf573ff4ff2f164d; Hm_lvt_703e94591e87be68cc8da0da7cbd0be2=1613224859; Hm_lpvt_703e94591e87be68cc8da0da7cbd0be2=1613224859; _lxsdk_cuid=1779bb1d60fc8-0b3a8d1319103c-303464-e1000-1779bb1d60fc8; _lxsdk=E576D6A06E0311EBBFF0B5C7CD64C7244E2F4B86DD3149F4AF3A5279EF8E7FE1; _lxsdk_s=1779bb1d612-217-330-1de%7C%7C3',
        }
        response = requests.get(url, headers = headers)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None

def parse_one_page(html):
    pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'
                        +'.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                        +'.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)
    items = re.findall(pattern, html)
    for item in items:
        yield {
            'index': item[0],
            'image': item[1],
            'title': item[2],
            'actor': item[3].strip()[3:],
            'time': item[4].strip()[5:],
            'score': item[5] + item[6]
        }

def write_to_file(content):
    with open('result.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False) + '\n')

def main(offset):
    url = 'https://maoyan.com/board/4?offset=' + str(offset)
    html = get_one_page(url)
    print(html)
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)


if __name__ == '__main__':
    # main(10)
    for i in range(10):
        main(offset = (i*10))
        time.sleep(1)


整体来说主要难的地方在于配环境,代码方面并无什么值得注意的地方。。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值