爬取的是电影的名称 排名 演员 上映时间 评分 等(话不多说看代码就懂了)。
用的是正则表达式进行匹配,实现的是一个最基本的对网页的爬取功能。
import requests
import re
import json
import time
def get_one_page(url):
try:
headers = { 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0' }
response = requests.get(url,headers = headers)
if(response.status_code ==200):
return response.text
return None
except:
return None
def pause_one_page(html):
pattern = re.compile( '<dd>.*?board-index.*?>(.*?)</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].strip(),
'actor': item[3].strip()[3:] if len(item[3]) > 3 else '',
'time': item[4].strip()[5:] if len(item[4]) > 5 else '',
'score': item[5].strip() + item[6].strip()
}
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)
for item in pause_one_page(html):
print(item)
write_to_file(item)
if __name__ == '__main__':
for i in range(10):
main(offset= i * 10)
time.sleep(1)