python----案例一:爬取猫眼电影排行榜数据
网站地址: http://maoyan.com/board/4
在底页可以看到页码,切换到第二页,看看url会有什么变化。
url变成了https://maoyan.com/board/4?offset=10,这里offset应该是一个偏移值,可以根据这个参数做到切换页面的效果。
接下来就可以开始着手写爬虫程序了
首先我们需要获取网站的html信息
#!/usr/bin/env python #-*- coding: utf-8 -*- import re import requests import json #获取页面信息 url="http://maoyan.com/board/4?offset=0" #定义网站url headers = { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac Os X 10_11_4) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/52.0.2743.116 Safari/537.36 ' #定义http头部信息,这个是模拟浏览器信息,可以防止被放爬虫工具禁止。 } r = requests.get(url,headers=headers,timeout=10) #向网站发出请求,并指定头部信息和超时时间。 if r.status_code == 200: print(r.text) #返回请求结果
得到的结果是这样的
<dd> <i class="board-index board-index-7">7</i> <a href="/films/837" title="唐伯虎点秋香" class="image-link" data-act="boarditem-click" data-val="{movieId:837}"> <img src="//s0.meituan.net/bs/?f=myfe/mywww:/image/loading_2.e3d934bf.png" alt="" class="poster-default" /> <img data-src="https://p0.meituan.net/movie/da64660f82b98cdc1b8a3804e69609e041108.jpg@160w_220h_1e_1c" alt="唐伯虎点秋香" class="board-img" /> </a> <div class="board-item-main"> <div class="board-item-content"> <div class="movie-item-info"> <p class="name"><a href="/films/837" title="唐伯虎点秋香" data-act="boarditem-click" data-val="{movieId:837}">唐伯虎点秋香</a></p> <p class="star"> 主演:周星驰,巩俐,郑佩佩 </p> <p class="releasetime">上映时间:1993-07-01(中国香港)</p> </div> <div class="movie-item-number score-num"> <p class="score"><i class="integer">9.</i><i class="fraction">2</i></p> </div> </div> </div> </dd> <dd> <i class="board-index board-index-8">8</i> <a href="/films/1212" title="千与千寻" class="image-link" data-act="boarditem-click" data-val="{movieId:1212}"> <img src="//s0.meituan.net/bs/?f=myfe/mywww:/image/loading_2.e3d934bf.png" alt="" class="poster-default" /> <img data-src="https://p0.meituan.net/movie/b076ce63e9860ecf1ee9839badee5228329384.jpg@160w_220h_1e_1c" alt="千与千寻" class="board-img" /> </a> <div class="board-item-main"> <div class="board-item-content"> <div class="movie-item-info"> <p class="name"><a href="/films/1212" title="千与千寻" data-act="boarditem-click" data-val="{movieId:1212}">千与千寻</a></p> <p class="star"> 主演:柊瑠美,入野自由,夏木真理 </p> <p class="releasetime">上映时间:2001-07-20(日本)</p> </div> <div class="movie-item-number score-num"> <p class="score"><i class="integer">9.</i><i class="fraction">3</i></p> </div> </div> </div>
</dd>
可以看出,每个<dd>标签中间就是一个电影的所有信息。
接下来就是使用正则表达式去匹配我们想要的内容了。
#!/usr/bin/env python #-*- coding: utf-8 -*- import re import requests import json #获取页面信息 url="http://maoyan.com/board/4?offset=0" #定义网站url headers = { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac Os X 10_11_4) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/52.0.2743.116 Safari/537.36 ' #定义http头部信息,这个是模拟浏览器信息,可以防止被放爬虫工具禁止。 } r = requests.get(url,headers=headers,timeout=10) #向网站发出请求,并指定头部信息和超时时间。 patten = re.compile('<dd.*?board-index.*?>(.*?)</i>',re.S) #利用正则表达式筛选排名 text = re.findall(patten,r.text) print(text)
返回
['1', '2', '3', '4', '5', '6', '7', '8', '9', '10']
通过完整正则表达式,我们可以从一个<dd>节点里面筛选出排名、电影名称、出演人员、评分等数据。
#!/usr/bin/env python #-*- coding: utf-8 -*- import re import requests import json #获取页面信息 url="http://maoyan.com/board/4?offset=0" #定义网站url headers = { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac Os X 10_11_4) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/52.0.2743.116 Safari/537.36 ' #定义http头部信息,这个是模拟浏览器信息,可以防止被放爬虫工具禁止。 } r = requests.get(url,headers=headers,timeout=10) #向网站发出请求,并指定头部信息和超时时间。 patten = re.compile('<dd.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?alt="(.*?)"' \ '.*?class="star">(.*?)</p>.*?class="releasetime">(.*?)</p>' \ '.*?class="integer">(.*?)</i>.*?class="fraction">(.*?)</i>',re.S) text = re.findall(patten,r.text) print(text)
返回一个数据列表,列表的每一个元素就是一个电影的所有数据,每个电影都是以元祖的方式呈现的。
[('1', 'https://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c', '霸王别姬', '\n 主演:张国荣,张丰毅,巩俐\n ', '上映时间:1993-01-01', '9.', '6'), ('2', 'https://p0.meituan.net/movie/283292171619cdfd5b240c8fd093f1eb255670.jpg@160w_220h_1e_1c', '肖申克的救赎', '\n 主演:蒂姆·罗宾斯,摩根·弗里曼,鲍勃·冈顿\n ', '上映时间:1994-10-14(美国)', '9.', '5'), ('3', 'https://p0.meituan.net/movie/54617769d96807e4d81804284ffe2a27239007.jpg@160w_220h_1e_1c', '罗马假日', '\n 主演:格利高里·派克,奥黛丽·赫本,埃迪·艾伯特\n ', '上映时间:1953-09-02(美国)', '9.', '1'), ('4', 'https://p0.meituan.net/movie/e55ec5d18ccc83ba7db68caae54f165f95924.jpg@160w_220h_1e_1c', '这个杀手不太冷', '\n 主演:让·雷诺,加里·奥德曼,娜塔莉·波特曼\n ', '上映时间:1994-09-14(法国)', '9.', '5'), ('5', 'https://p1.meituan.net/movie/f5a924f362f050881f2b8f82e852747c118515.jpg@160w_220h_1e_1c', '教父', '\n 主演:马龙·白兰度,阿尔·帕西诺,詹姆斯·肯恩\n ', '上映时间:1972-03-24(美国)', '9.', '3'), ('6', 'https://p1.meituan.net/movie/0699ac97c82cf01638aa5023562d6134351277.jpg@160w_220h_1e_1c', '泰坦尼克号', '\n 主演:莱昂纳多·迪卡普里奥,凯特·温丝莱特,比利·赞恩\n ', '上映时间:1998-04-03', '9.', '5'), ('7', 'https://p0.meituan.net/movie/da64660f82b98cdc1b8a3804e69609e041108.jpg@160w_220h_1e_1c', '唐伯虎点秋香', '\n 主演:周星驰,巩俐,郑佩佩\n ', '上映时间:1993-07-01(中国香港)', '9.', '2'), ('8', 'https://p0.meituan.net/movie/b076ce63e9860ecf1ee9839badee5228329384.jpg@160w_220h_1e_1c', '千与千寻', '\n 主演:柊瑠美,入野自由,夏木真理\n ', '上映时间:2001-07-20(日本)', '9.', '3'), ('9', 'https://p0.meituan.net/movie/46c29a8b8d8424bdda7715e6fd779c66235684.jpg@160w_220h_1e_1c', '魂断蓝桥', '\n 主演:费雯·丽,罗伯特·泰勒,露塞尔·沃特森\n ', '上映时间:1940-05-17(美国)', '9.', '2'), ('10', 'https://p0.meituan.net/movie/230e71d398e0c54730d58dc4bb6e4cca51662.jpg@160w_220h_1e_1c', '乱世佳人', '\n 主演:费雯·丽,克拉克·盖博,奥利维娅·德哈维兰\n ', '上映时间:1939-12-15(美国)', '9.', '1')]
可以看到数据并不好看,因此我们需要对数据进行处理。
#!/usr/bin/env python #-*- coding: utf-8 -*- import re import requests import json #获取页面信息 url="http://maoyan.com/board/4?offset=0" #定义网站url headers = { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac Os X 10_11_4) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/52.0.2743.116 Safari/537.36 ' #定义http头部信息,这个是模拟浏览器信息,可以防止被放爬虫工具禁止。 } r = requests.get(url,headers=headers,timeout=10) #向网站发出请求,并指定头部信息和超时时间。 patten = re.compile('<dd.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?alt="(.*?)"' \ '.*?class="star">(.*?)</p>.*?class="releasetime">(.*?)</p>' \ '.*?class="integer">(.*?)</i>.*?class="fraction">(.*?)</i>',re.S) items = re.findall(patten,r.text) for item in items: moive = { 'range' : item[0], 'img' : item[1], 'name' : item[2], 'star' : item[3].strip()[3:], 'time' : item[4][5:], 'score' : item[5]+item[6] } print(moive)
返回完整的数据
{'range': '1', 'img': 'https://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c', 'name': '霸王别姬', 'star': '张国荣,张丰毅,巩俐', 'time': '1993-01-01', 'score': '9.6'} {'range': '2', 'img': 'https://p0.meituan.net/movie/283292171619cdfd5b240c8fd093f1eb255670.jpg@160w_220h_1e_1c', 'name': '肖申克的救赎', 'star': '蒂姆·罗宾斯,摩根·弗里曼,鲍勃·冈顿', 'time': '1994-10-14(美国)', 'score': '9.5'} {'range': '3', 'img': 'https://p0.meituan.net/movie/54617769d96807e4d81804284ffe2a27239007.jpg@160w_220h_1e_1c', 'name': '罗马假日', 'star': '格利高里·派克,奥黛丽·赫本,埃迪·艾伯特', 'time': '1953-09-02(美国)', 'score': '9.1'} {'range': '4', 'img': 'https://p0.meituan.net/movie/e55ec5d18ccc83ba7db68caae54f165f95924.jpg@160w_220h_1e_1c', 'name': '这个杀手不太冷', 'star': '让·雷诺,加里·奥德曼,娜塔莉·波特曼', 'time': '1994-09-14(法国)', 'score': '9.5'} {'range': '5', 'img': 'https://p1.meituan.net/movie/f5a924f362f050881f2b8f82e852747c118515.jpg@160w_220h_1e_1c', 'name': '教父', 'star': '马龙·白兰度,阿尔·帕西诺,詹姆斯·肯恩', 'time': '1972-03-24(美国)', 'score': '9.3'} {'range': '6', 'img': 'https://p1.meituan.net/movie/0699ac97c82cf01638aa5023562d6134351277.jpg@160w_220h_1e_1c', 'name': '泰坦尼克号', 'star': '莱昂纳多·迪卡普里奥,凯特·温丝莱特,比利·赞恩', 'time': '1998-04-03', 'score': '9.5'} {'range': '7', 'img': 'https://p0.meituan.net/movie/da64660f82b98cdc1b8a3804e69609e041108.jpg@160w_220h_1e_1c', 'name': '唐伯虎点秋香', 'star': '周星驰,巩俐,郑佩佩', 'time': '1993-07-01(中国香港)', 'score': '9.2'} {'range': '8', 'img': 'https://p0.meituan.net/movie/b076ce63e9860ecf1ee9839badee5228329384.jpg@160w_220h_1e_1c', 'name': '千与千寻', 'star': '柊瑠美,入野自由,夏木真理', 'time': '2001-07-20(日本)', 'score': '9.3'} {'range': '9', 'img': 'https://p0.meituan.net/movie/46c29a8b8d8424bdda7715e6fd779c66235684.jpg@160w_220h_1e_1c', 'name': '魂断蓝桥', 'star': '费雯·丽,罗伯特·泰勒,露塞尔·沃特森', 'time': '1940-05-17(美国)', 'score': '9.2'} {'range': '10', 'img': 'https://p0.meituan.net/movie/230e71d398e0c54730d58dc4bb6e4cca51662.jpg@160w_220h_1e_1c', 'name': '乱世佳人', 'star': '费雯·丽,克拉克·盖博,奥利维娅·德哈维兰', 'time': '1939-12-15(美国)', 'score': '9.1'}
接下来就是把代码各个模块函数化,并将得出的数据写入文件中了
#!/usr/bin/env python #-*- coding: utf-8 -*- import re import requests import json #定义搜索模块 #获取页面信息 def get_page(url): try: headers = { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac Os X 10_11_4) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/52.0.2743.116 Safari/537.36 ' } r = requests.get(url,headers=headers,timeout=10) except: print("can not connect to url!!!") else: if r.status_code == 200: return r.text else: return None #定义分析模块 #对获取到的页面信息进行正则匹配,并利用for循环对正则匹配到的信息进行优化编辑,最后通过创建生成器的方式返回for循环中的值。 def analysis_page(page): patten = re.compile('<dd.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?alt="(.*?)"' \ '.*?class="star">(.*?)</p>.*?class="releasetime">(.*?)</p>' \ '.*?class="integer">(.*?)</i>.*?class="fraction">(.*?)</i>',re.S) items = re.findall(patten,page) for item in items: moive = { 'range' : item[0], 'img' : item[1], 'name' : item[2], 'star' : item[3].strip()[3:], 'time' : item[4][5:], 'score' : item[5]+item[6] } yield moive #yield创建生成器,他的作用是在for循环的每次迭代过程中暂停一下,并输出当前迭代的值。 #定义写入模块 #将符合json格式的数据写进文件中 def write_json_to_file(content): try: with open('./moive.txt', 'a') as f_obj: f_obj.write(json.dumps(content, indent=4, ensure_ascii=False) + '\n') except: print("Data isn't json!!!" ) #定义主模块 #传入偏移值,并根据偏移爬去前十页的数据 def main(offset): url = "http://maoyan.com/board/4?offset=" + str(offset) page = get_page(url) for item in analysis_page(page): write_json_to_file(item) #执行 if __name__ == '__main__': for n in range(10): offset = n * 10 main(offset)
最后得出的文件是这样的
{ "range": "1", "img": "https://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c", "name": "霸王别姬", "star": "张国荣,张丰毅,巩俐", "time": "1993-01-01", "score": "9.6" } { "range": "2", "img": "https://p0.meituan.net/movie/283292171619cdfd5b240c8fd093f1eb255670.jpg@160w_220h_1e_1c", "name": "肖申克的救赎", "star": "蒂姆·罗宾斯,摩根·弗里曼,鲍勃·冈顿", "time": "1994-10-14(美国)", "score": "9.5" } { "range": "3", "img": "https://p0.meituan.net/movie/54617769d96807e4d81804284ffe2a27239007.jpg@160w_220h_1e_1c", "name": "罗马假日", "star": "格利高里·派克,奥黛丽·赫本,埃迪·艾伯特", "time": "1953-09-02(美国)", "score": "9.1" } { "range": "4", "img": "https://p0.meituan.net/movie/e55ec5d18ccc83ba7db68caae54f165f95924.jpg@160w_220h_1e_1c", "name": "这个杀手不太冷", "star": "让·雷诺,加里·奥德曼,娜塔莉·波特曼", "time": "1994-09-14(法国)", "score": "9.5" }
。。。。。。。
至此爬取猫眼电影排行榜数据完成。