抓取猫眼电影排行

抓取首页

首先我们定义一个get_one_page方法，来获取首页（http://maoyan.com/board/4 ）的源代码。获取源代码之后，解析页面，提取出我们所需要的信息。
大致思路：构造headers头，判断目标网站的响应状态码是否是200，然后通过requests库的get方法抓取源代码。

正则提取

注意点：Elements选项中的源码可能经过JS操作而与原始请求不同，需要从Network中查看。
可以看到一部电影信息对应源代码的一个dd节点

正则提取的具体实现

pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'
                         + '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                         + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)
items = re.findall(pattern, html)

方法：
re.compile()：将正则字符串编译成正则表达式对象，以便在后面的匹配中重复使用。
re.finall()：该方法会搜索整个字符串，然后返回匹配正则表达式的所有内容。
修饰符：
re.S：使.匹配包括换行在内的所有字符。

处理匹配结果

    for item in items:
        yield {
            'index': item[0],
            'image': item[1],
            'title': item[2],
            'actor': item[3].strip()[3:],
            'time': item[4].strip()[5:],
            'score': item[5] + item[6]
        }

这里的yield是一个关键字，大致解释如下：
如果一个函数包含 yield 表达式，那么它是一个生成器函数；调用它会返回一个特殊的迭代器，称为生成器。
因为介绍yield这个关键字需要一个单独的篇幅，具体解析请移步我的另一篇文章：https://www.minghaohao.cn/index.php/archives/46/

写入文件

    with open('result.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False) + '\n')

dumps()：实现字典的序列化。

分页爬取

给我们的链接传入offset参数，这里要能够发现随着我们向后翻页，豆瓣榜单的url也在变化：
http://maoyan.com/4?offset=10 → http://maoyan.com/4?offset=20

    for i in range(10):
        main(offset=i * 10)

源代码

整合思路，源代码如下：

import json
import requests
from requests.exceptions import RequestException
import re
import time


def get_one_page(url):
    try:
        headers = {
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) '
                          'Chrome/65.0.3325.162 Safari/537.36'
        }
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None


def parse_one_page(html):
    pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'
                         + '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                         + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)
    items = re.findall(pattern, html)
    for item in items:
        yield {
            'index': item[0],
            'image': item[1],
            'title': item[2],
            'actor': item[3].strip()[3:],
            'time': item[4].strip()[5:],
            'score': item[5] + item[6]
        }


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


def main(offset):
    url = 'http://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)
        time.sleep(1)