本文是利用多进程、requests库和正则表达式,爬取猫眼电影的TOP100的榜单。
1:requests库的安装及详细用法
关于requests库的具体安装方法,详见博客:http://blog.csdn.net/qq_29186489/article/details/78581249;request库的介绍以及用法,请参见博客:http://blog.csdn.net/qq_29186489/article/details/78620663;
2:正则表达式的详细用法
正则表达式的详细用法请参见博客:http://blog.csdn.net/qq_29186489/article/details/78635640
3:爬取猫眼电影
1)爬虫思路分析
本次爬取的对象是猫眼电影的TOP100的榜单。
先打开猫眼电影的TOP100的榜单的页面,如下图所示:
我们的目的是爬取TOP100电影榜单的100部电影的排序、电影名称、电影的主演、上映的时间、分数等信息,打印输出并保存至本地。
2)网页结构分析
观察网页,本次爬取任务大致可以分为三个步骤
爬取单个电影的电影的序号、电影名称、电影的主演、上映的时间等
分析整个网页,遍历获取该页面上所有电影的信息
实现翻页,遍历每个页面获取该榜单所有的100个电影的信息;观察URL,翻页可通过改变offset实现,http://maoyan.com/board/4?offset=(页数-1)*10
利用chrome浏览器,审查网页源代码,每部电影的整体信息都被dd标签包围,如下所示:
多进程,Request+正则表达式爬取榜单类网站
最新推荐文章于 2022-07-08 22:27:45 发布