Python爬虫项目--爬取猫眼电影Top100榜

 本次抓取猫眼电影Top100榜所用到的知识点:

1. python requests库

2. 正则表达式

3. csv模块

4. 多进程

正文

目标站点分析

通过对目标站点的分析, 来确定网页结构, 进一步确定具体的抓取方式.

1. 浏览器打开猫眼电影首页, 点击"榜单", 点击"Top100榜", 即可看到目标页面. 

2.  浏览网页, 滚动到下方发现有分页, 切换到第2页, 发现: URL从 http://maoyan.com/board/4变换到http://maoyan.com/board/4?offset=10, 多次切换页码offset都有改变, 可以确定的是通过改变URL的offset参数来生成分页列表.

项目流程框架:

获取单页源码

 1 #抓取猫眼电影TOP100榜
 2 import requests
 3 import time
 4 from requests.exceptions import RequestException
 5 def get_one_page():
 6     '''获取单页源码'''
 7     try:
 8         url = "http://maoyan.com/board/4?offset={0}".format(0)
 9         headers = {
10             "User-Agent":"Mozilla/5.0(WindowsNT6.3;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/68.0.3440.106Safari/537.36"
11         }
12         res = requests.get(url, headers=headers)
13         # 判断响应是否成功,若成功打印响应内容,否则返回None
14         if res.status_code == 200:
15             print(res.text)
16         return None
17     except RequestException:
18         return None
19 def main():
20     get_one_page()
21 if __name__ == '__main__':
22     main()
23     time.sleep(1)

执行即可得到网页源码, 那么下一步就是解析源码了

解析单页源码

导入正则表达式re模块, 对代码进行解析, 得到想要的信息.

 1 import re
 2 
 3 def parse_one_page(html):
 4     '''解析单页源码'''
 5     pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?name"><a.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime'
 6                          + '.*?>(.*?)</p>.*?score.*?integer">(.*?)</i>.*?>(.*?)</i>.*?</dd>',re.S)
 7     items = re.findall(pattern,html)
 8     print(items)
 9     #采用遍历的方式提取信息
10     for item in  items:
11         yield {
12             'rank' :item[0],
13             'title':item[1],
14             'actor':item[2].strip()[3:] if len(item[2])>3 else '',  #判断是否大于3个字符
15             'time' :item[3].strip()[5:] if len(item[3])>5 else '',
16             'score':item[4] + item[5]
17         }
18 def main():
19     html = get_one_page()
20     for item in parse_one_page(html):
21         print(item)
22 
23 if __name__ == '__main__':
24     main()
25     time.sleep(1)

提取出信息之后, 那么下一步就是保存到文件

保存到文件中

这里采用两种方式, 一种是保存到text文件, 另一种是保存到csv文件中, 根据需要选择其一即可.

1. 保存到text文件

 1 import json
 2 
 3 def write_to_textfile(content):
 4     '''写入到text文件中'''
 5     with open("MovieResult.text",'a',encoding='utf-8') as f:
 6         #利用json.dumps()方法将字典序列化,并将ensure_ascii参数设置为False,保证结果是中文而不是Unicode码.
 7         f.write(json.dumps(content,ensure_ascii=False) + "\n")
 8         f.close()
 9 def main():
10     html = get_one_page()
11     for item in parse_one_page(html):
12         write_to_textfile(item)
13 
14 if __name__ == '__main__':
15     main()
16     time.sleep(1)

2. 保存到CSV文件

其文件以纯文本的形式存储表格数据

 1 import csv
 2 def write_to_csvfile(content):
 3     '''写入到csv文件中'''
 4     with open("MovieResult.csv",'a',encoding='gb18030',newline='') as f:
 5         # 将字段名传入列表
 6         fieldnames = ["rank", "title", "actor", "time", "score"]
 7         #将字段名传给Dictwriter来初始化一个字典写入对象
 8         writer = csv.DictWriter(f,fieldnames=fieldnames)
 9         #调用writeheader方法写入字段名
10         writer.writeheader()
11         writer.writerows(content)
12         f.close()
13 def main():
14     html = get_one_page()
15     rows = []
16     for item in parse_one_page(html):
17         #write_to_textfile(item)
18         rows.append(item)
19     write_to_csvfile(rows)
20 if __name__ == '__main__':
21     main()
22     time.sleep(1)

单页的信息已经提取出, 接着就是提取多个页面的信息

获取多个页面

1. 普通方法抓取

 1 def main(offset):
 2     url = "http://maoyan.com/board/4?offset={0}".format(offset)
 3     html = get_one_page(url)
 4     rows = []
 5     for item in parse_one_page(html):
 6         #write_to_textfile(item)
 7         rows.append(item)
 8     write_to_csvfile(rows)
 9 if __name__ == '__main__':
10     #通过遍历写入TOP100信息
11     for i in range(10):
12         main(offset=i * 10)
13         time.sleep(1)

2. 多进程抓取

1 from multiprocessing import Pool
2 
3 if __name__ == '__main__':
4     # 将字段名传入列表
5     fieldnames = ["rank", "title", "actor", "time", "score"]
6     write_to_csvField(fieldnames)
7     pool = Pool()
8     #map方法会把每个元素当做函数的参数,创建一个个进程,在进程池中运行.
9     pool.map(main,[i*10 for i in range(10)])

 完整代码

 1 #抓取猫眼电影TOP100榜
 2 from multiprocessing import Pool
 3 from requests.exceptions import RequestException
 4 import requests
 5 import json
 6 import time
 7 import csv
 8 import re
 9 def get_one_page(url):
10     '''获取单页源码'''
11     try:
12         headers = {
13             "User-Agent":"Mozilla/5.0(WindowsNT6.3;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/68.0.3440.106Safari/537.36"
14         }
15         res = requests.get(url, headers=headers)
16         # 判断响应是否成功,若成功打印响应内容,否则返回None
17         if res.status_code == 200:
18             return res.text
19         return None
20     except RequestException:
21         return None
22 def parse_one_page(html):
23     '''解析单页源码'''
24     pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?name"><a.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime'
25                          + '.*?>(.*?)</p>.*?score.*?integer">(.*?)</i>.*?>(.*?)</i>.*?</dd>',re.S)
26     items = re.findall(pattern,html)
27     #采用遍历的方式提取信息
28     for item in  items:
29         yield {
30             'rank' :item[0],
31             'title':item[1],
32             'actor':item[2].strip()[3:] if len(item[2])>3 else '',  #判断是否大于3个字符
33             'time' :item[3].strip()[5:] if len(item[3])>5 else '',
34             'score':item[4] + item[5]
35         }
36 
37 def write_to_textfile(content):
38     '''写入text文件'''
39     with open("MovieResult.text",'a',encoding='utf-8') as f:
40         #利用json.dumps()方法将字典序列化,并将ensure_ascii参数设置为False,保证结果是中文而不是Unicode码.
41         f.write(json.dumps(content,ensure_ascii=False) + "\n")
42         f.close()
43 
44 def write_to_csvField(fieldnames):
45     '''写入csv文件字段'''
46     with open("MovieResult.csv", 'a', encoding='gb18030', newline='') as f:
47         #将字段名传给Dictwriter来初始化一个字典写入对象
48         writer = csv.DictWriter(f,fieldnames=fieldnames)
49         #调用writeheader方法写入字段名
50         writer.writeheader()
51 def write_to_csvRows(content,fieldnames):
52     '''写入csv文件内容'''
53     with open("MovieResult.csv",'a',encoding='gb18030',newline='') as f:
54         #将字段名传给Dictwriter来初始化一个字典写入对象
55         writer = csv.DictWriter(f,fieldnames=fieldnames)
56         #调用writeheader方法写入字段名
57         #writer.writeheader()            ###这里写入字段的话会造成在抓取多个时重复.
58         writer.writerows(content)
59         f.close()
60 
61 def main(offset):
62     fieldnames = ["rank", "title", "actor", "time", "score"]
63     url = "http://maoyan.com/board/4?offset={0}".format(offset)
64     html = get_one_page(url)
65     rows = []
66     for item in parse_one_page(html):
67         #write_to_textfile(item)
68         rows.append(item)
69     write_to_csvRows(rows,fieldnames)
70 
71 if __name__ == '__main__':
72     # 将字段名传入列表
73     fieldnames = ["rank", "title", "actor", "time", "score"]
74     write_to_csvField(fieldnames)
75     # #通过遍历写入TOP100信息
76     # for i in range(10):
77     #     main(offset=i * 10,fieldnames=fieldnames)
78     #     time.sleep(1)
79     pool = Pool()
80     #map方法会把每个元素当做函数的参数,创建一个个进程,在进程池中运行.
81     pool.map(main,[i*10 for i in range(10)])

效果展示: 

最终采用写入csv文件的方式.

转载于:https://www.cnblogs.com/star-zhao/p/9630042.html