很早就对爬虫有所耳闻,于是乎就在网上买了一本python爬虫的书,在学习的过程中也想做一些笔记与大家分享分享,勿喷
1.准备工作
- 环境:python3(本人用的是anaconda ,里面已经集成了很多python需要的库以及依赖的包)
- 运行软件:pycharm
- 浏览器:谷歌
- 爬取方法:正则表达式
2.分析网站
2.1. 猫眼电影top100:http://maoyan.com/board/4
2.2. F12打开控制台,在response中找到需要的页面信息
如图
2.3. 发现每一部电影都是一个dd标签,我们需要爬取它的排名、图片地址、电影名称、主演名单、上映时间以及评分。排名信息就在class为board-index的i节点内,使用非贪婪(.*?)来提取i节点内的信息
<dd>.*?board-index.*?>(.*?)</i>
2.4. 接下来就是提取电影图片链接,经过检查第二个img节点的data-src属性是图片链接,正则如下
<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)"
2.5.再往后就是提取电影的名称,它在下面的p节点内,class为name,用name做一个标志位,进一步提取a节点中的正文内容,如下
<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>
2.6.最后提取主演、发布时间、评分都是以此类推
<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>
3.抓取首页排行
- 代码如下
import requests,re
from requests.exceptions import RequestException
#定义一个爬取首页的函数
def get_one_page(url):
#做出异常处理
try:
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.92 Safari/537.36'
}
response = requests.get(url, headers=headers)
#在这里做了一个判断,如果响应的状态码是200,说明有内容,返回获取的内容
if response.status_code == 200:
return response.text
return None
except RequestException:
return None
#定义一个提取首页排行信息的函数
def parse_one_page(html):
patten = re.compile(
'<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>',
re.S) #由于页面中有换行,所以在正则匹配的过程中为了避免匹配不到完整的信息,使用re.S匹配到换行
items = re.findall(patten, html)
for item in items: #遍历结果并生成字典
yield {
#自定义标题
'index': item[0],
'image': item[1],
'title': item[2],
'actor': item[3].strip()[3:], #使用strip方法去掉爬取过程中出现的换行,[3:]使用切片去掉"主演:"
'time': item[4].strip()[5:], #[5:]使用切片去掉"上映时间:"
'score': item[5] + item[6]
}
#主函数
def main():
url = 'http://maoyan.com/board/4'
html = get_one_page(url)
for result in parse_one_page(html):
print(result)
main()
结果
4.分页爬取
4.1.分析
每一页都有十部电影,在换页会发现url的变化,
第二页:http://maoyan.com/board/4?offset=10,
第三页:http://maoyan.com/board/4?offset=20,
很明显是10的倍数
下面我就直接放整个代码了,不啰嗦了
import requests,re,json,time
from requests.exceptions import RequestException
def get_one_page(url):
#做出异常处理
try:
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.92 Safari/537.36'
}
response = requests.get(url, headers=headers)
#在这里做了一个判断,如果响应的状态码是200,说明有内容,返回获取的内容
if response.status_code == 200:
return response.text
return None
except RequestException:
return None
def parse_one_page(html):
patten = re.compile(
'<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>',
re.S) #由于页面中有换行,所以在正则匹配的过程中为了避免匹配不到完整的信息,使用re.S匹配到换行
items = re.findall(patten, html)
for item in items: #遍历结果并生成字典
yield {
'index': item[0],
'image': item[1],
'title': item[2],
'actor': item[3].strip()[3:], #使用strip方法去掉爬取过程中出现的换行,[3:]使用切片去掉"主演:"
'time': item[4].strip()[5:], #[5:]使用切片去掉"上映时间:"
'score': item[5] + item[6]
}
def write_to_file(content):
with open('result.txt','a',encoding='utf-8') as f: #爬取信息写入文本
# print(type(json.dumps(content)))
f.write(json.dumps(content,ensure_ascii=False)+'\n')
def main(offset):
url = 'http://maoyan.com/board/4?offset='+str(offset) #构造一个参数offset
html = get_one_page(url)
for result in parse_one_page(html):
print(result)
write_to_file(result)
if __name__ == '__main__':
for i in range(10):
main(offset=i*10)
time.sleep(1)
结果
至此,猫眼电影Top100信息爬取完毕