Web爬虫|入门实战之猫眼电影

序言：“得数据者得天下”这句话如今已变为事实，能够把自己想要的数据通过一定技术获取下来是件很有成就感的事！数据是当今大数据、数据分析等的基础，而网络爬虫作为一种自动获取数据的脚本技术而日益流行！掌握爬虫无论在技术上还是生活上都很有用哦！

原创不易，本文禁止抄袭、转载，多年爬虫实战开发经验总结，违权必究！

网络爬虫开发实战源码：https://github.com/MakerChen66/Python3Spider

一、爬虫任务

任务背景：爬取猫眼电影Top100数据，包括电影排名，图片地 址，演员，电影名，上映时间以及电影评分

任务目标：运用正则表达式去解析网页源码获得所需数据并保存至本地TXT文件以及MongoDB数据库中

二、解析

任务URL：https://maoyan.com/board/4?offset=0

下图为猫眼电影的第一页：


再看看第二页：


最后看看第三页：


我们把这三页的URL复制下来，看一下URL规律：

https://maoyan.com/board/4?offset=0
https://maoyan.com/board/4?offset=10
https://maoyan.com/board/4?offset=20

从上面的URL可以看出，只有offset变化，offset意为偏移量，从中可以看出每一页的偏移量为10，可以把该参数定义为自变量，然后用循环爬取前10页的数据，也就是top100的数据

解析网页源代码


点击箭头打开dd标签块，看看具体的信息：


再看看network中的真实数据：

从以上的图中可以看出猫眼电影的数据都保存在dd标签块中，接下来就要用正则表达式去匹配所需的数据，再把这些数据以json格式保存到文本文件中以及MongoDB数据库中

三、编码

获取网页源码
定义一个去获取HTML源码的方法

import requests
from requests import exceptions

def get_one_page(url):
  '''
  headers表示要传递的头信息，'User-Agent'表示伪装浏览器
  '''
  try:
    headers = {'User-Agent':'Mozilla/5.0'}
    response = requests.get(url,headers=headers)
    if response.status_code == 200:
      return response.text
    else:
      return None
 except exceptions.RequestException:
    return None

解析源码并获得数据

import re

def parse_one_page(html):
  '''
  re.compile()方法会将正则表达式字符串转换为正则表达式对象，方便以后的复用
  re.S表示修饰符，可以忽略换行符
  re.findall()方法会将所有符合匹配模式的数据返回，并且以列表形式返回
  yield是Python中的关键字，表示生成器，类似于return
  strip()方法可以把空的部分去掉，包括空格，换行符等，但它的操作对象必须是字符串
  .*?表示非贪婪匹配
  '''
  pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'
                         + '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                         + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>',re.S)
  movies_information = re.findall(pattern,html)
  for movie_information in movies_information:
    yield {
      '电影排名':movie_information[0],
      '图片地址':movie_information[1],
      '电影名':movie_information[2].strip(),
      '演员':movie_information[3].strip()[3:] if len(movie_information) > 3 else '',
      '上映时间':movie_information[4].strip()[5:] if len(movie_information) > 5 else '',
      '评分':movie_information[5].strip() + movie_information[6].strip()
    }

保存数据到文本文件

import json

def write_movies_data_to_file(movie_information):
  '''
  'a'表示以追加方式把数据写入文件中，这样就不会覆盖之前写入的数据
  json.dumps()方法可将json文本字符串序列化为json对象
  ensure_ascii=False表示忽略ASCII码，默认也为False
  indent表示json格式的缩进
  '''
  with open('../txt_file/maoyan_movies_information.txt','a',encoding='utf-8') as f:
    f.write(json.dumps(movie_information,indent=2,ensure_ascii=False) + '\n')

保存数据到MongoDB数据库

import pymongo

def insert_to_mongodb(content):
  '''
  client表示操作MongoDB数据库的对象
  db表示数据库对象
  collection表示集合对象，类似于MySQL中的table
  '''
  client = pymongo.MongoClient(host='localhost',port=27017)
  db = client['spiders']
  collection = db['maoyan_movies_data']
  try:
    if content:
      collection.insert(content)
      print('Success to insert!')
  except:
    print('Failed to insert!')

定义main()方法控制程序的运行

def main(offset):
  '''
  offset={offset}表示页数偏移量，这里用f-string函数把它设置为自变量，从而可以循环爬取
  '''
  url = f'https://maoyan.com/board/4?offset={offset}'
  html = get_one_page(url)
  for movie_information in parse_one_page(html):
    print(movie_information)
    write_movies_data_to_file(movie_information)
    insert_to_mongodb(movie_information)

主程序运行

import time

if __name__ == '__main__':
  '''
  time模块延迟爬取时间，猫眼已经加了反爬
  '''
  for i in range(10):
    main(offset=i*10)
    time.sleep(1)

运行效果
控制台输出：

json格式的txt文本结果：

MongoDB输出结果：

四、源码下载

完整源码下载：阅读原文，最下面有惊喜哦！
GitHub下载链接：https://github.com/MakerChen66/Python3Spider

五、总结

• 请求库requests及exceptions模块
• 标准库re
• time模块
• json模块
• Python与MongoDB数据库对接的pymongo库
  
  

五、作者Info

作者：小鸿的摸鱼日常，Goal：让编程更有趣！

原创微信公众号：『小鸿星空科技』，专注于算法、爬虫，网站，游戏开发等，期待你的关注，让我们一起成长、一起Coding！

转载说明：本文禁止抄袭、转载，侵权必究！