Python爬虫笔记————抓取 猫眼电影排行榜Top100

注：初学爬虫，本节仅使用requests库和使用正则作为解析工具

 最近学习爬虫，找个比较简单的网页练习了一下，作为初入爬虫的小白，不足之处还请大家多多指教。

一、分析url

首先，打开目标站点https://maoyan.com/board/4，打开之后便看到榜单信息：

 排名第一的电影是霸王别姬，页面中可以看到的信息有电影名称，主演，上映时间，电影封面，评分，排名等。

页面最下面有分页列表，切换到第2页，看看url发生了哪些变化。

 可以看到第2页的url为https://maoyan.com/board/4?offset=10，url与第1页相比发生了些变化。再分别把第3页和第4页的url拿来比较一下。

第1页：https://maoyan.com/board/4

第2页：https://maoyan.com/board/4?offset=10

第3页：https://maoyan.com/board/4?offset=20

第4页：https://maoyan.com/board/4?offset=30

貌似发现了一些规律，将第1页改为https://maoyan.com/board/4?offset=0试试？

发现依然可以找到第1页，可以发现offset代表了偏移量，如果偏移量为n，则显示电影的序号就是n+1--n+10，每页10条，总共100条，就是10页，只需分开请求10次，每次的偏移量分别为0，10，20，30，...，90即可，再得到页面信息后，使用正则就可以得到电影的排名主演等信息了。

二、获取第一页

1、获取页面内容，将其封装成get_one_page（）方法，传入url参数，之后使用main（）调用该方法返回网页内容：

# 请求网页，返回网页内容
def get_one_page(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36',
    }
    response = requests.get(url, headers=headers)
    if response.status_code == 200:
        return response.text
    return None

def main(offset):
    url = 'https://maoyan.com/board/4?offset=' + str(offset)
    html = get_one_page(url)
    print(html)

2、正则提取

观察网页代码可发现，每条电影信息都由一个dd标签括起来，二电影的其他信息已经分别标出。

 获取排名信息的正则表达式：<dd>.*?board-index.*?>(.*?)</i>

再获取电影封面：<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)"

再提取电影名，主演，上映时间等信息，同样的道理，最后正则表达式为：

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

有了正则表达式接下来我们在定义解析页面的方法，parse_one_page（），传入参数html

# 使用正则将需要的数据剥离
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)
    res = re.findall(pattern, html)
    for i in res:
        yield {
            '排名': i[0],
            '封面': i[1],
            '影片名称': i[2],
            '主演': i[3].strip()[3:],
            '上映时间': i[4].strip()[5:],
            '评分': i[5].strip() + i[6].strip(),
        }

3、写入文件

使用json将字典序列化，指定参数ensure_ascii=False，保证写入的结果是中文。

def write_to_file(content):
    with open('猫眼电影排行TOP100.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False) + '\n')

4、优化main函数，将单页电影数据写入到文件。

def main(offset):
    url = 'https://maoyan.com/board/4?offset=0'
    html = get_one_page(url)
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)

5、分页爬取

要实现分页爬取，只需要分别给offset传入不同的值即可，添加如下调用并修改main函数

def main(offset):
    url = 'https://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)

 

至此我们将猫眼电影的top100已经爬取完了，完整代码如下：

import requests
import re, json


# 请求网页，返回响应体
def get_one_page(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36',
    }
    response = requests.get(url, headers=headers)
    if response.status_code == 200:
        return response.text
    return None


# 使用正则将需要的数据剥离
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)
    res = re.findall(pattern, html)
    for i in res:
        yield {
            '排名': i[0],
            '封面': i[1],
            '影片名称': i[2],
            '主演': i[3].strip()[3:],
            '上映时间': i[4].strip()[5:],
            '评分': i[5].strip() + i[6].strip(),
        }


# 将结果写入到文件
def write_to_file(content):
    with open('猫眼电影排行TOP100.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False) + '\n')


def main(offset):
    url = 'https://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)

 

参考《Python3 网络爬虫开发实战》--崔庆才