小叙
在之前的基础上,尝试对于豆瓣电影排行榜进行爬取,依旧是索然无味的按f12,找url,找相关预览内容等等……但是,在关于url上,却有更好玩的东西——参数封装。
先看一下原来的url:https://movie.douban.com/j/chart/top_list?type=25&interval_id=100%3A90&action=&start=0&limit=20
在Edge浏览器里负载里面可以找到type,id等相关内容。这就是参数封装的由来。来康康封装好的参数。
import requests
url ="https://movie.douban.com/j/chart/top_list"
param={
"type": "24",
"interval_id": "100:90",
"action": "",
"start": 0,
"limit": 10,
}
headers={
"User-Agent": "……"
}
resp=requests.get(url=url,params=param,headers=headers)
print(resp.json())
resp.close()
可以看到,list后面的参数都删除掉,而后面加了一个封装prama。话说也不知道是不是get形式的专属。对于参数start和limit的修改可以选取爬取的内容。
第二个爬虫
在爬取的过程中,经常会有爬取内容杂乱的现象,为了方便整理内容,就需要用到正则表达式,也就是re来帮忙整理数据。
正则表达式用到的模块为re模块,如以下例句。
re.compile(r'class="">.*? <span class="title">(?P<name>.*?)</span>',re.S)
这是一个编好的正则表达式,额,好像是预正则表达式。首先以写r ‘ ’,re.S 里面内容主要是以爬取的内容为主。第一,在内容中的变化内容用.*?来替换,你想要提取的内容用(?P<名字>.*?)来替代。
写好之后就可以进行使用,这里用的是finditer。
obj =re.compile(r'class="">.*? <span class="title">(?P<name>.*?)</span>',re.S)
result =obj.finditer(movies)
print(it.group("name"))
最后打印就能得到需要的结果。(正则表达式有好多中查找方式)
import requests
import re
for n in range(0,251,25):
url =f'https://movie.douban.com/top250?start={n}'
headers ={
"User-Agent":" …………"
}
resp =requests.get(url,headers=headers)
movies =resp.text
obj =re.compile(r'class="">.*? <span class="title">(?P<name>.*?)</span>',re.S)
result =obj.finditer(movies)
for it in result:
print(it.group("name"))
resp.close()