本节使用 Python 爬虫抓取猫眼电影网 TOP100 排行榜(https://maoyan.com/board/4)影片信息,包括电影名称、上映时间、主演信息。
在开始编写程序之前,首先要确定页面类型(静态页面或动态页面),其次找出页面的 url 规律,最后通过分析网页元素结构来确定正则表达式,从而提取网页信息。
确定页面类型
点击右键查看页面源码,确定要抓取的数据是否存在于页面内。通过浏览得知要抓取的信息全部存在于源码内,因此该页面输属于静态页面。如下所示:
1.<div class="movie-item-info">
2. <p class="name"><a href="/films/1200486" title="我不是药神" data-act="boarditem-click" data-val="{movieId:1200486}">我不是药神</a></p>
3. <p class="star">
4. 主演:徐峥,周一围,王传君
5.</p>
6.<p class="releasetime">上映时间:2018-07-05</p></div>
确定url规律
想要确定 url 规律,需要您多浏览几个页面,然后才可以总结出 url 规律,如下所示:
**
第一页:https://maoyan.com/board/4?offset=0
第二页:https://maoyan.com/board/4?offset=10
第三页:https://maoyan.com/board/4?offset=20
...
第n页:https://maoyan.com/board/4?offset=(n-1)*10
确定正则表达式
通过分析网页元素结构来确定正则表达式,如下所示:
-
-
<p class="name"><a href="/films/1200486" title="我不是药神"data-act="boarditem-click" data-val="{movieId:1200486}">我不是药神</a></p>
-
<p class="star">
-
主演:徐峥,周一围,王传君
-
</p>
-
上映时间:2018-07-05
使用 Chrome 开发者调试工具来精准定位要抓取信息的元素结构。之所以这样做,是因为这能避免正则表达式的冗余,提高编写正则表达式的速度。正则表达式如下所示:
**
<div class="movie-item-info">.*?title="(.*?)".*?class="star">(.*?)</p>.*?releasetime">(.*?)</p>
编写正则表达式时将需要提取的信息使用(.*?)
代替,而不需要的内容(包括元素标签)使用.*?
代替。
编写爬虫程序
下面使用面向对象的方法编写爬虫程序,主要编写四个函数,分别是请求函数、解析函数、保存数据函数、主函数。
- from urllib import request
- import re
- import time
- import random
- import csv
- from ua_info import ua_list
-
定义一个爬虫类
- class MaoyanSpider(object):
-
初始化
-
定义初始页面url
-
def __init__(self):
-
self.url = 'https://maoyan.com/board/4?offset={}'
-
请求函数
-
def get_html(self,url):
-
headers = {'User-Agent':random.choice(ua_list)}
-
req = request.Request(url=url,headers=headers)
-
res = request.urlopen(req)
-
html = res.read().decode()
-
# 直接调用解析函数
-
self.parse_html(html)
-
解析函数
-
def parse_html(self,html):
-
正则表达式
-
re_bds = '<div class="movie-item-info">.*?title="(.*?)".*?<p class="star">(.*?)</p>.*?class="releasetime">(.*?)</p>'
-
生成正则表达式对象
-
pattern = re.compile(re_bds,re.S)
-
# r_list: [('我不是药神','徐峥,周一围,王传君','2018-07-05'),...] 列表元组
-
r_list = pattern.findall(html)
-
self.save_html(r_list)
-
# 保存数据函数,使用python内置csv模块
-
def save_html(self,r_list):
- #生成文件对象
-
with open('maoyan.csv','a',newline='',encoding="utf-8") as f:
- #生成csv操作对象
-
writer = csv.writer(f)
- #整理数据
-
for r in r_list:
-
name = r[0].strip()
-
star = r[1].strip()[3:]
-
# 上映时间:2018-07-05
-
切片截取时间
-
time = r[2].strip()[5:15]
-
L = [name,star,time]
-
写入csv文件
-
writer.writerow(L)
-
print(name,time,star)
-
主函数
-
def run(self):
- #抓取第一页数据
-
for offset in range(0,11,10):
-
url = self.url.format(offset)
-
self.get_html(url)
-
#生成1-2之间的浮点数
-
time.sleep(random.uniform(1,2))
-
以脚本方式启动
- if name == ‘main’:
-
#捕捉异常错误
-
try:
-
spider = MaoyanSpider()
-
spider.run()
-
except Exception as e:
-
print("错误:",e)
输出结果:
我不是药神 2018-07-05 徐峥,周一围,王传君
肖申克的救赎 1994-09-10 蒂姆·罗宾斯,摩根·弗里曼,鲍勃·冈顿
绿皮书 2019-03-01 维果·莫腾森,马赫沙拉·阿里,琳达·卡德里尼
海上钢琴师 2019-11-15 蒂姆·罗斯,比尔·努恩,克兰伦斯·威廉姆斯三世
小偷家族 2018-08-03 中川雅也,安藤樱,松冈茉优
霸王别姬 1993-07-26 张国荣,张丰毅,巩俐
哪吒之魔童降世 2019-07-26 吕艳婷,囧森瑟夫,瀚墨
美丽人生 2020-01-03 罗伯托·贝尼尼,朱斯蒂诺·杜拉诺,赛尔乔·比尼·布斯特里克
这个杀手不太冷 1994-09-14 让·雷诺,加里·奥德曼,娜塔莉·波特曼
盗梦空间 2010-09-01 莱昂纳多·迪卡普里奥,渡边谦,约瑟夫·高登-莱维特
这里给大家分享一份Python全套学习资料,包括学习路线、软件、源码、视频、面试题等等,都是我自己学习时整理的,希望可以对正在学习或者想要学习Python的朋友有帮助!
CSDN大礼包:全网最全《全套Python学习资料》免费分享🎁
😝有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
1️⃣零基础入门
① 学习路线
对于从来没有接触过Python的同学,我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
② 路线对应学习视频
还有很多适合0基础入门的学习视频,有了这些视频,轻轻松松上手Python~
③练习题
每节视频课后,都有对应的练习题哦,可以检验学习成果哈哈!
因篇幅有限,仅展示部分资料
2️⃣国内外Python书籍、文档
① 文档和书籍资料
3️⃣Python工具包+项目源码合集
①Python工具包
学习Python常用的开发软件都在这里了!每个都有详细的安装教程,保证你可以安装成功哦!
②Python实战案例
光学理论是没用的,要学会跟着一起敲代码,动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。100+实战案例源码等你来拿!
③Python小游戏源码
如果觉得上面的实战案例有点枯燥,可以试试自己用Python编写小游戏,让你的学习过程中增添一点趣味!
4️⃣Python面试题
我们学会了Python之后,有了技能就可以出去找工作啦!下面这些面试题是都来自阿里、腾讯、字节等一线互联网大厂,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
5️⃣Python兼职渠道
而且学会Python以后,还可以在各大兼职平台接单赚钱,各种兼职渠道+兼职注意事项+如何和客户沟通,我都整理成文档了。
上述所有资料 ⚡️ ,朋友们如果有需要 📦《全套Python学习资料》的,可以扫描下方二维码免费领取 🆓
😝有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓