【python】猫眼爬虫Top100电影信息

最近做了猫眼爬虫和数据分析,收获很多,记录在此。爬虫和数据分析是两个模块,可以参考目录:

目录

一、猫眼爬虫

1. 猫眼爬虫第一步——找到我们需要的数据

2. 猫眼爬虫第二步——获取数据

3. 猫眼爬虫第三步——解析数据

4. 猫眼爬虫第四步——存储文件

数据分析是第二块,以后有空了再更新。 


一、猫眼爬虫

1. 猫眼爬虫第一步——找到我们需要的数据

打开网站猫眼验证中心:https://www.maoyan.com/board/4, 就是我们想要爬的页面了。

按F12打开开发工具,以便定位我们需要的元素的标签。

Tips: 可以按control+U打开HTML页面进行定位,更清晰,可以打开的页面如下: 

用control + F 可以快速定位,找到我们需要的元素,这个页面不是必须打开的,只是打开看更清晰,看各个标签的关系很清楚。 

用此方法我们可以确定我们需要什么数据以及它们的位置在哪里,接下来开始获取这些数据。

2. 猫眼爬虫第二步——获取数据

先导入我们需要的库:

# for data scraping
#encoding:utf-8
import requests
from bs4 import BeautifulSoup
import time as ti
import csv
from lxml import etree
import re
# for data analyzing
import pandas as pd

接下来获取数据,代码如下:

#Part I: camouflage and request response:
def get_html(url):
    #Because many web pages have anti crawlers, we add hearders disguise
    #In the cat's eye movie web page -- F12 -- Network -- all -- 4 -- header -- find the user agent
    #Copy and paste the content
    headers = {  # 设置header
        'Accept' : 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
        'Accept-Encoding' : 'gzip, deflate, br',
        'Accept-Language' : 'zh-CN,zh;q=0.9',
        'Cache-Control' : 'no-cache',
        'Connection' : 'keep-alive',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36 Edg/94.0.992.50',
        'referer' : 'https://passport.meituan.com/',
        'Cookie' : '__mta=42753434.1633656738499.1634781127005.1634781128998.34; uuid_n_v=v1; _lxsdk_cuid=17c5d879290c8-03443510ba6172-6373267-144000-17c5d879291c8; uuid=60ACEF00317A11ECAAC07D88ABE178B722CFA72214D742A2849B46660B8F79A8; _lxsdk=60ACEF00317A11ECAAC07D88ABE178B722CFA72214D742A2849B46660B8F79A8; _csrf=94b23e138a83e44c117736c59d0901983cb89b75a2c0de2587b8c273d115e639; Hm_lvt_703e94591e87be68cc8da0da7cbd0be2=1634716251,1634716252,1634719353,1634779997; Hm_lpvt_703e94591e87be68cc8da0da7cbd0be2=1634781129; _lxsdk_s=17ca07b2470-536-b73-84%7C%7C12'
    }
    #The purpose of responding to the request, combined with the disguise of hearders, is to let the server know that this is not a crawler, but a person
    #Get website information using get
    result = requests.get(url, headers = headers)
    #Because the crawler is fast, the server may make an error 403
    #Write a judgment, 200 is success
    if result.status_code == 200:
        #The response is successful and a string is returned
        return result.text
    return

headers的目的是让网站不要把我们的爬虫程序当成爬虫,而是当成人的行为。设置方法就是猫眼主页--F12--Network -- all -- 4 -- header -- 找到对应信息复制粘贴过来。其实headers不是必须加的,只是为了防止猫眼反爬,一般只加user agent就够了,但是我当时还是被反爬了,同学建议我多写些信息,所以就加的很详细。

以上就可以获得HTML页面的全部信息了。

3. 猫眼爬虫第三步——解析数据

在获得HTML页面的信息后,我们需要解析HTML内容,定位提取我们需要的信息,代码如下:

def parsing_html(html):
    ti.sleep(1)
    #patter = re.compile('<dd>.*?board-index')
    bsSoup = BeautifulSoup(html, 'html.parser')
    #a = [x.find("i").text for x in bsSoup.find_all("dd")]
    movies = bsSoup.find_all("dd")
    a = []
    for i in movies:
        ti.sleep(0.1)
        rating = i.find('i').text
        title = i.find("a").get("title")
        actors = re.findall("主演:(.*)",i.find("p",class_ = "star").text)[0]
        time = re.findall("上映时间:(.*)",i.find("p",class_ = "releasetime").text)[0]
        url1 = "https://maoyan.com" + i.find("p",class_ = "name").a.get("href")
        score = i.find("i",class_ = "integer").text + i.find("i",class_ = "fraction").text
        movie = get_html(url1)
        bsMovie = BeautifulSoup(movie, 'html.parser')
        #print(bsMovie)
        director = bsMovie.find("a",class_= "name").text.replace("\n","").replace(" ","")
        income = bsMovie.find_all("div", class_= "mbox-name")
        income = income[-2].text if income else "暂无"
        location_and_duration = bsMovie.find("div", class_="movie-brief-container").find_all("li", class_="ellipsis")[1].text.split('/')
        duration = location_and_duration[1].strip()
        location = location_and_duration[0].strip()
        ti.sleep(0.5)
        m_type_list = [t.text.strip() for t in bsMovie.find("div", class_="movie-brief-container").find("li", class_="ellipsis").find_all("a",class_="text-link")]
        m_type = ','.join(m_type_list)
        ti.sleep(0.2)
        #print(m_type)
        c = {'Rating' : rating,
            'Title' : title,
             'Name of director' : director,
             'Name of actors' : actors,
             'Cumulative income' : income,
             'Duration': duration,
             'Type' : m_type,
             'Country or a Region' : location,
             'Release time' : time,
             'Web link' : url1,
             'Score' : score
            }
        a.append(c)
    return a

4. 猫眼爬虫第四步——存储文件

现在我们的需要的信息以及可以爬出来了,我们需要把这些信息储存到文件里:

def write_to_file(content):
    with open('maoyan.csv','a',encoding='utf-8-sig')as csvfile:
        writer = csv.writer(csvfile)
        values = list(content.values())
        writer.writerow(values)

因为我们是想爬前100的信息,可是一页只有十个电影的信息,这个时候就需要循环十次,才可以爬完 100个电影信息:

def next_page(offset):
    url = 'http://maoyan.com/board/4?offset='+str(offset)
    html = get_html(url)
    for item in parsing_html(html):
        print(item)
        write_to_file(item)

注意我这里用了print,把写入文件的信息也打印出来了,这样方便我自己看结果来进行调整。 

调用以上函数,并循环十次:

for i in range(10):
    next_page(offset=10*i)
    ti.sleep(1)

运行结果被打印出来了:

正好一百条信息,是我们想要的结果!

我们给爬出来的信息写一个表头,方便我们查询:

df = pd.read_csv("maoyan.csv", header=None, index_col=None)
df.columns = ['Rating',
            'Title',
             'Name_of_director',
             'Name_of_actors',
             'Cumulative_income',
             'Duration',
             'Type',
             'Country_or_a_Region',
             'Release_time',
             'Web_link',
             'Score']
df.to_csv("maoyan.csv", index=False)

在文件夹中打开我们刚刚写入的文件,效果如下:

 效果很好,爬虫部分结束!

  • 7
    点赞
  • 49
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值