猫眼TOP100电影
1. 分析数据构成
1.1 分析每页内容
- 在这里使用chrome浏览器,点击f12打开开发者工具后,选择Network,查看初始的页面内容,在Name部分找到对应的页面文件
- 根据返回的html可以看到,排名中每一部电影内容都被一个
<dd></dd>
元素包裹起来,因此只要解析每一个<dd></dd>
元素中的内容,就可以获取当页的电影信息了
1.2 分析分页
- 知道了怎么获取每页的内容,接下来看如何获取每一页的内容。点击下一页后,可以看到链接变为了https://maoyan.com/board/4?offset=10
再次点击链接变为
https://maoyan.com/board/4?offset=20
而且在浏览器输入
https://maoyan.com/board/4?offset=0
的时候,会跳转到第一页
因此可以知道,分页规律为在4后增加?offset=页数*10 即可
2.编写正则表达式,获取每一页的排名,图片,电影名,演员,上映时间,评分等
<dd>
<i class="board-index board-index-23">23</i>
<a href="/films/428" title="指环王3:王者无敌" class="image-link" data-act="boarditem-click" data-val="{movieId:428}">
<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/932bdfbef5be3543e6b136246aeb99b8123736.jpg@160w_220h_1e_1c" alt="指环王3:王者无敌" 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/428" title="指环王3:王者无敌" data-act="boarditem-click" data-val="{movieId:428}">指环王3:王者无敌</a></p>
<p class="star">
主演:伊莱贾·伍德,伊恩·麦克莱恩,丽芙·泰勒
</p>
<p class="releasetime">上映时间:2004-03-15</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>
以上为复制出来的一个<dd></dd>
标签中所包含的内容,然后根据其中的内容编写正则表达式
<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i></p>.*?</dd>
.*?
的含义为以非贪婪(即尽可能少的匹配)的方式匹配任意数量的任何字符
(.*?)
其中()的作用是分组,用来获取想要得到的内容,其中也使用非贪婪的方式进行匹配
3.编写代码
- 导入要用的库
import requests #HTTP库
import re #正则表达式
import time #时间模块
- 获取每个页面的数据
def getPage(url):
userAgent = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36"
headers = {
"User-Agent": userAgent
}
response = requests.get(url, headers=headers)
if response.status_code == 200:
return response.text
return None
- 解析页面数据
def parsePage(html):
# 1排名 2图片 3电影名 4主演 5上映时间
regex = '<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i></p>.*?</dd>'
pattern = re.compile(regex, re.S)
items = re.findall(pattern, html)
for item in items:
yield {
"排名": item[0],
"图片": item[1],
"电影名": item[2],
"演员": item[3].strip()[3:],
"上映时间": item[4].strip()[4:],
"评分": item[5] + item[6]
}
- 控制分页
def main(offset):
url = "http://maoyan.com/board/4?offset=" + str(offset)
html = getPage(url)
for item in parsePage(html):
print(item)
- 调用程序
for i in range(10):
main(i*10)
# 间歇3秒
time.sleep(3)
4.结果展示
学习自 https://germey.gitbooks.io/python3webspider/content/3.4-Requests与正则表达式爬取猫眼电影排行.html