1,打开猫眼电影TOP100的榜单网址:
2,Google Chrome 浏览器中按F12,打开开发者面板,使用Network:
此时什么也没有。
3,回到榜单的原始页面,按下F5进行刷新,此时再看开发者面板中的Network中会有信息流:
通过查找看到每条电影的相关信息均在一个<dd></dd>中,上图中标明了电影海报超链接的位置和电影名称的位置。
可以用正则表达式提取出相关的信息。
4,电影Top100总共有10页,每页10条,每页的网址有规律:
第1,2,3,...10页的网址
http://maoyan.com/board/4?offset=0
http://maoyan.com/board/4?offset=10
http://maoyan.com/board/4?offset=20
...
http://maoyan.com/board/4?offset=90
offset=后面的数字0、10、20、。。。90分别对应第1,2,3,。。。10页。
因此,外层循环控制页数,内层循环控制每页中电影的网址,可完成对每个电影的海报进行下载。
5,代码:
# 猫眼电影的TOP100电影海报下载
# 第1,2,3,...10页的网址
# http://maoyan.com/board/4?offset=0
# http://maoyan.com/board/4?offset=10
# http://maoyan.com/board/4?offset=20
# ...
# http://maoyan.com/board/4?offset=90
import requests
import re
import random
import time
import os
def doanload_onepage(offset):
url = 'http://maoyan.com/board/4?offset=' + str(offset)
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'
}
response = requests.get(url, headers=headers)
html = response.text
# print(html)
pattern = re.compile('<dd>.*?data-src="(.*?)".*?"name"><a.*?>(.*?)</a>.*?</dd>', re.S) # 提取电影的海报链接和名称
movies = re.findall(pattern, html)
print(movies)
print(type(movies))
file_path = r'F:\MaoYaoTop100Movies'
if not os.path.exists(file_path):
os.makedirs(file_path) # 如果存储路径不存在,则进行创建
os.chdir(file_path) # 改变存储路径到F:\MaoYaoTop100Movies
for item in movies:
href = item[0]
name = item[1]
print(href)
print(name)
response = requests.get(url=href, headers=headers)
content = response.content
picture_name = name + '.jpg'
with open(picture_name, 'wb') as f:
f.write(content)
time.sleep(random.random() * 3)
print('第{}页下载完毕.'.format(int(offset/10+1)))
time.sleep(random.random() * 9)
if __name__ == '__main__':
pages = 10 # 总共10页
for i in range(pages):
doanload_onepage(offset=i * 10)
print('====Top100电影海报下载完毕====')
过程:
下载的目录文件:
至此,利用正则表达式下载猫眼Top100的电影海报成功完成。
参考: