利用requests库抓取猫眼电影排行

最近刚开始了解爬虫，学习了一下基本库的使用。跟着书上做一个小练习，利用requests库抓取猫眼电影TOP100的相关内容。因为还没系统学习过HTML解析库，所以就用正则表达式来作为解析工具。

1.抓取目标

下面，我们将提取出猫眼电影TOP100的电影名称、时间、评分、图片等信息，提取的站点URL为http://maoyan.com/board/4,提取的结果会以文件形式保存下来。

2.准备工作

开始之前，需要确保已经安装了requests库。可以通过pip命令直接安装，也可以利用pycharm插件。

3.抓取分析

目标站点为http://maoyan.com/board/4，打开之后就可以看到榜单信息，如图所示

排名第一的是我不是药神，页面中显示的有效信息有影片名称、主演、上映时间、上映地区、评分、图片等信息。
我们点击第二页，观察页面的URL和内容发生了怎样的变化，如图

发现页面的URL变成了https://maoyan.com/board/4?offset=10，比之前多了一个参数，那就是offset=10，显示的为排行11 ~ 20名的电影，初步推断这是一个偏移量的参数。再点击下一页，发现URL变成了https://maoyan.com/board/4?offset=20，参数offset变成了20，显示21 ~ 30的电影。
所以可以总结出来，offset代表偏移量值，如果偏移量为n，则显示的电影序号就是n+1到n+10，每页显示10个。所以要获取TOP100电影，只需要分开请求10次，而10次的offset参数分别设置为0，10，20……90就可以了。再用正则表达式提取出相关信息，就可以得到TOP100的所有电影信息。

4.抓取首页

下面用代码实现，首先抓取第一页内容。我们实现get_one_page()方法，并给他传入url参数。然后将抓取的页面结果返回，再用main（）方法调用。初步代码如下：

import requests

def get_one_page(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36'
    }
    response = requests.get(url,headers=headers)
    if response.status_code == 200:
        return response.text
    return None
def main():
    url = 'http://maoyan.com/board/4'
    html = get_one_page(url)
    print(html)
main()

运行之后就可以成功获取首页的源代码了。获取之后需要解析页面，提取出我们想要的信息。

5.正则提取

我们去网页看一下真实的源码。在开发者模式下的Network监听组件中查看源代码，如图

注意，这里不要直接去Elements选项卡查看，因为这里的源码可能经过JavaScript操作而与原始请求不同，而是需要从Network中查看原始请求得到源码。我们来分析其中一个条目。

可以看到，一部电影信息对应的源代码是一个dd节点，我们用正则表达式来提取这里面的一些信息。首先是排名信息。它的排名在class为board-index的i节点内，这里用非贪婪匹配来提取i节点内的信息，正则表达式写为：

<dd>.*?board-index.*?>(.*?)</i>

随后需要提取的是电影图片。可以看到，后面有a节点，其内部有两个img节点。经过检查后发现，第二个img节点的data-src属性是图片链接。这里提取第二个img节点的data-src属性，表达式改成这样：

<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)"

再往后，需要提取电影名称，它在后面的p节点内，class为name。所以，还可以用name做一个标志位，然后进一步提取其内a节点的正文内容，此时正则表达式改写如下：

<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>

再提取主演、发布时间、评分等内容，都是同样的原理，最后的正则表达式为：

<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>

这样一个正则表达式就可以匹配一个电影的结果了，有七条信息。下面通过调用findall（）方法提取所有内容。
下面，我们再定义一个解析页面的方法parse_one_page()，主要通过正则表达式来从结果中提取出我们想要的内容，代码如下：

def parse_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)
    print(items)

输出结果如下，这是一个列表形式。

但是这样数据比较杂乱，我们再将匹配结果处理一下，遍历提取结果并生成字典，改成这样：

def parse_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[3]) > 3 else '',
            'score': item[5].strip() + item[6].strip()
        }

这样就可以成功提取电影的排名、图片、标题、演员、时间、评分等内容了，并把它赋值为一个个字典，形成结构化数据。运行结果如下：

6.写入文件

随后，我们将提取的结果写入文件，这里直接写入到一个文本文件中。这里通过JSON库的dumps（）方法实现字典的序列化，并指定ensure_ascii参数为False，这样可以保证输出结果是中文形式而不是Unicode编码。代码如下：

def write_to_file(content):
    with open('result.txt', 'a', encoding='utf-8') as f:
    	print(type(json.dumps(content)))
        f.write(json.dumps(content, ensure_ascii=False) + '\n')

通过调用write_to_file()方法即可实现将字典写入到文本文件的过程，此处的content参数就是提取结果，是一个字典。

7.整合代码

最后，实现main()方法来调用前面的方法，将单页的电影结果写入到文件，代码如下：

def main(offset):
    url = 'http://maoyan.com/board/4'
    html = get_one_page(url)
    for item in parse_one_page(html):
        write_to_file(item)

到这里我们就完成了单页的提取。

8.分页爬取

因为我们需要抓取的是TOP100的电影，所以还需要遍历一下，给这个链接传入offset参数，实现其他90部的爬取，此时添加如下调用：

if __name__ == '__main__':
    for i in range(10):
        main(offset= i*10)

还需要将main方法修改一下，接收一个offset值作为偏移量，然后进行URL构造。代码如下：

def main(offset):
    url = 'http://maoyan.com/board/4?offset=' + str(offset)
    html = get_one_page(url)
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)

至此，整合完成后的代码如下：

import json
import requests
from requests.exceptions import RequestException
import re
import time
import http


def get_one_page(url):
    try:
        headers = {
            'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36'
        }

        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None

def parse_one_page(html):
    pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'
                         + '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                         + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)
    items = re.findall(pattern, str(html))
    for item in items:
        yield {
            'index': item[0],
            'image': item[1],
            'title': item[2],
            'actor': item[3].strip()[3:],
            'time': item[4].strip()[5:],
            'score': item[5] + item[6]
        }

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 = 'http://maoyan.com/board/4?offset=' + str(offset)
    html = get_one_page(url)
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)

if __name__ == '__main__':
    for i in range(10):
        main(offset= i*10)
        time.sleep(1)

因为猫眼有反爬虫，如果速度过快会无响应，所以又加了一个延时等待。可能有人在做练习的时候就已经觉察到了，ip已经被封了，其实这里最好的解决办法还是设置代理，可以找一些免费的代理服务器。

9.运行结果

我们来运行一下代码，输出结果如下

我们再来看下文本文件，如图所示

可以看到，电影的信息也全部保存到文本文件里了。

10.本节代码

本节代码也提交到了GitHub上，代码地址：https://github.com/jiangwenvae/Spider/blob/main/spider/CatEye.py。