Python全栈开发-Python爬虫-05 爬取猫眼电影榜单信息

最新推荐文章于 2023-10-24 10:17:01 发布

落空空。

最新推荐文章于 2023-10-24 10:17:01 发布

阅读量1.2k

点赞数 3

分类专栏： python基础 python 正则表达式文章标签： python 爬虫

本文链接：https://blog.csdn.net/kc44601/article/details/118255001

版权

python基础同时被 3 个专栏收录

31 篇文章 15 订阅

订阅专栏

python

29 篇文章 0 订阅

订阅专栏

正则表达式

5 篇文章 0 订阅

订阅专栏

爬取猫眼电影榜单信息(翻页)

一. 获取url及headers

首先进入猫眼电影首页: 猫眼电影

之后点击菜单栏的榜单并在下面选择 TOP100榜
在这里插入图片描述
接着右击检查并刷新界面,在Network中找到4的加载文件,并双击打开获取右侧的url以及其他的headers信息

# 获取网页响应内容
def get_html(url):
    # 不能证明你是一个完整的浏览器用户
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome'
                      '/91.0.4472.114 Safari/537.36',
        'Cookie': '__mta=252484534.1624686891066.1624687766500.1624687767500.10; uuid_n_v=v1; uuid=051E3230D643'
                  '11EBAD8677F166774E1C31527601D00A4827A818F22ED6663F50; _csrf=497ac6cb2543d3c99f7fd59acd4badb44'
                  '51d9e25e35637501cb8be564a0ce589; _lxsdk_cuid=17a46e28f16c8-045656e4dec5c6-6373267-144000-17a46'
                  'e28f16c8; _lxsdk=051E3230D64311EBAD8677F166774E1C31527601D00A4827A818F22ED6663F50; _lx_utm=utm_'
                  'source%3DBaidu%26utm_medium%3Dorganic; Hm_lvt_703e94591e87be68cc8da0da7cbd0be2=1624686891,162468'
                  '7015,1624687757; __mta=252484534.1624686891066.1624687746239.1624687759636.7; Hm_lpvt_703e94591e'
                  '87be68cc8da0da7cbd0be2=1624687767; _lxsdk_s=17a46e28f16-29d-098-66d%7C%7C36',
        'Host': 'maoyan.com',
        'Referer': 'https://maoyan.com/board/2',

    }
    response = requests.get(url, headers=headers)
    if response.status_code == 200:
        print("请求成功")
        return response.text
    return None

二. 利用正则获取电影信息

首先我们点击Elements查看网页信息,并在其中找到相对应的电影信息
在这里插入图片描述
之后利用正则分组匹配匹配出各个需要的信息

z = '<dd.*?board-index.*?">(.*?)</i>.*?href="(.*?)".*?title="(.*?)".*?>.*?<img.*?data-src="(.*?)".*?alt.*?/>' \
            '.*?<div.*?class="movie-item-info">.*?<p.*?class="star">(.*?)</p>.*?class="releasetime">(.*?)</p>' \
            '.*?"integer">(.*?)</i>.*?"fraction">(.*?)</i>.*?</dd>'

之后在把各个信息提取出来

def parse_html():
        z = '<dd.*?board-index.*?">(.*?)</i>.*?href="(.*?)".*?title="(.*?)".*?>.*?<img.*?data-src="(.*?)".*?alt.*?/>' \
            '.*?<div.*?class="movie-item-info">.*?<p.*?class="star">(.*?)</p>.*?class="releasetime">(.*?)</p>' \
            '.*?"integer">(.*?)</i>.*?"fraction">(.*?)</i>.*?</dd>'
        html = get_html(url.format(i * 10))   # 此处为下面的翻页处理
        result = re.findall(z, html, re.S)
        # print(result)
        for i in result:
            movies_ranking = i[0]  # 电影排名
            movies_link = "https://maoyan.com" + i[1]  # 电影链接
            movies_name = i[2]  # 电影名称
            img_url = i[3].split('@')[0]  # 图片链接
            name = i[4].strip()  # 主演信息
            movies_time = i[5]  # 上映时间
            movies_score = i[6] + i[7]  # 电影评分

三. 处理翻页部分

首先这里我们选出五页的url进行比对分析

https://maoyan.com/board/4?             # 第一页
https://maoyan.com/board/4?offset=10    # 第二页
https://maoyan.com/board/4?offset=20    # 第三页
https://maoyan.com/board/4?offset=30	# 第四页
https://maoyan.com/board/4?offset=40	# 第五页

通过比较五个页面的url我们可以发现在参数offset值上从0开始每页递增10,虽然第一页没有显示参数,但是将参数添加进去后在打开网页,我们发现依旧是第一页,所以规律成立

所以在构建url时我们将参数部分用花括号{}先代替,之后再循环加入

url = 'https://maoyan.com/board/4?offset={}'

    for i in range(10):
        print("正在爬取第{}页".format(i + 1))  # 提示信息
		... 
		html = get_html(url.format(i * 10))  # 翻页处理

四. 数据的保存

这里我们将数据保存到excel里面

from openpyxl import workbook

wb = workbook.Workbook()  # 创建excel对象
ws = wb.active  # 激活当前excel对象
ws.append(['排名', '电影链接', '电影名', '图片链接', '主演信息', '上映时间', '评分'])
...
wb.save('猫眼.xlsx')

五.全部代码及效果展示

import requests
import re
from openpyxl import workbook

wb = workbook.Workbook()  # 创建excel对象
ws = wb.active  # 激活当前excel对象
ws.append(['排名', '电影链接', '电影名', '图片链接', '主演信息', '上映时间', '评分'])


def get_html(url):
    # 不能证明你是一个完整的浏览器用户
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome'
                      '/91.0.4472.114 Safari/537.36',
        'Cookie': '__mta=252484534.1624686891066.1624687766500.1624687767500.10; uuid_n_v=v1; uuid=051E3230D643'
                  '11EBAD8677F166774E1C31527601D00A4827A818F22ED6663F50; _csrf=497ac6cb2543d3c99f7fd59acd4badb44'
                  '51d9e25e35637501cb8be564a0ce589; _lxsdk_cuid=17a46e28f16c8-045656e4dec5c6-6373267-144000-17a46'
                  'e28f16c8; _lxsdk=051E3230D64311EBAD8677F166774E1C31527601D00A4827A818F22ED6663F50; _lx_utm=utm_'
                  'source%3DBaidu%26utm_medium%3Dorganic; Hm_lvt_703e94591e87be68cc8da0da7cbd0be2=1624686891,162468'
                  '7015,1624687757; __mta=252484534.1624686891066.1624687746239.1624687759636.7; Hm_lpvt_703e94591e'
                  '87be68cc8da0da7cbd0be2=1624687767; _lxsdk_s=17a46e28f16-29d-098-66d%7C%7C36',
        'Host': 'maoyan.com',
        'Referer': 'https://maoyan.com/board/2',

    }
    response = requests.get(url, headers=headers)
    if response.status_code == 200:
        print("请求成功")
        return response.text
    return None


def parse_html():
    for i in range(10):
        print("正在爬取第{}页".format(i + 1))

        z = '<dd.*?board-index.*?">(.*?)</i>.*?href="(.*?)".*?title="(.*?)".*?>.*?<img.*?data-src="(.*?)".*?alt.*?/>' \
            '.*?<div.*?class="movie-item-info">.*?<p.*?class="star">(.*?)</p>.*?class="releasetime">(.*?)</p>' \
            '.*?"integer">(.*?)</i>.*?"fraction">(.*?)</i>.*?</dd>'
        html = get_html(url.format(i * 10))
        result = re.findall(z, html, re.S)
        # print(result)
        for i in result:
            movies_ranking = i[0]  # 电影排名
            movies_link = "https://maoyan.com" + i[1]  # 电影链接
            movies_name = i[2]  # 电影名称
            img_url = i[3].split('@')[0]  # 图片链接
            name = i[4].strip()  # 主演信息
            movies_time = i[5]  # 上映时间
            movies_score = i[6] + i[7]  # 电影评分
            print("电影排名:" + movies_ranking)
            print("电影链接:" + movies_link)
            print("电影名称:" + movies_name)
            print("图片链接:" + img_url)
            print("主演信息:" + name)
            print("上映时间:" + movies_time)
            print("电影评分:" + movies_score)

            my_list = [movies_ranking, movies_link, movies_name, img_url, name, movies_time, movies_score]
            ws.append(my_list)


if __name__ == '__main__':
    url = 'https://maoyan.com/board/4?offset={}'
    parse_html()
    wb.save('猫眼.xlsx')

结果展示:
在这里插入图片描述

落空空。

关注

3
点赞
踩
9

收藏

觉得还不错? 一键收藏
0
评论
Python全栈开发-Python爬虫-05 爬取猫眼电影榜单信息

爬取猫眼电影榜单信息(翻页)一. 获取url及headers首先进入猫眼电影首页: 猫眼电影之后点击菜单栏的榜单并在下面选择 TOP100榜接着右击检查并刷新界面,在Network中找到4的加载文件,并双击打开获取右侧的url以及其他的headers信息# 获取网页响应内容def get_html(url): # 不能证明你是一个完整的浏览器用户 headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10
复制链接

扫一扫