正则表达式
正则表达式是对字符串操作的一种逻辑公式,通过一些特定的字符或特定字符的组合对字符串进行定位、筛选。在爬取网页信息时通常会找出在元素中的逻辑,再应用正则表达式进行过滤。
例如,我们要获取主演信息(徐峥,周一围,王传君),定位到
,构造正则表达式,c = re.findall(’.?主演:(.?)\n’,result,re.S),
re.findall函数查找符合要求的所有元素;使用re.S,正则表达式会将字符串作为一个整体,在整体中进行匹配,否则,只在一行内进行匹配,如果一行中没有,就换下一行重新开始,所以一般不容易匹配到结果。
整体代码
import requests
import re
import csv
mov_list=[]
for i in range(10):
url="https://www.maoyan.com/board/4?offset="+str(i*10)
headers={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.110 Safari/537.36 Edg/96.0.1054.62"}
try:
response=requests.get(url,headers=headers)
response.encoding='utf-8'
except RequestException:
print("获取错误")
result= response.text
pattern = re.compile('.*?board-index.*?>(\d+)</i>'+ '.*?title="(.*?)" class' +
'.*?主演:(.*?)\\n' + '.*?上映时间:(.*?)</p>'+'.*?integer">(.*?)</i>'+
'.*?fraction">(.*?)</i>',re.S)
items=re.findall(pattern,result)
for i in range(len(items)):
mov_info = list(items[i])
mov_info[4]=mov_info[4]+mov_info[5]
mov_info.pop()
mov_list.append(mov_info)
with open('result.text','w',newline="",encoding='utf-8') as f:##或者encoding='utf-8-sig'
fieldname = ['rank','name','actor','releasetime','score']
writer = csv.writer(f)
writer.writerow(fieldname)
for row in mov_list:
writer.writerow(row)