用
python
写爬虫爬取需要的数据比较容易,以Python
简洁的语法和一大波成熟的库,写起来相当的快
python的版本以及使用的库
- Python 3.6.4
- requests
- lxml
这次主要是爬取猫眼的热映电影,网址为http://maoyan.com/films
新建个项目
我用 类(Class) 的方式创建,并初始化需要使用的参数
class MaoYanHot:
def __init__(self):
self.session = requests.session() # requests库的session对象能够帮我们跨请求保持某些参数,也会在同一个session实例发出的所有请求之间保持cookies
self.baseUrl = 'http://maoyan.com/films'
# 设置requests请求的headers参数来模拟浏览器访问
self.headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',
'Accept': 'text/html;q=0.9,*/*;q=0.8',
'Accept-Charset': 'ISO-8859-1,utf-8;q=0.7,*;q=0.3',
'Accept-Encoding': 'gzip',
'Connection': 'close',
'Referer': None # 注意如果依然不能抓取的话,这里可以设置抓取网站的host
}
# 开始访问
def run(self, pages='?offset=0'):
url = self.baseUrl + pages
print('获取url:' + url)
MaoYanHot = MaoYanHot()
MaoYanHot.run()
复制代码
获取正在热映电影首页数据
写个def
来获取网页内容,并在run
里面调用
# 获取网页内容
def getHtmlContent(self, url):
try:
respone = self.session.get(url, headers=self.headers)
if respone.status_code == 200:
# 这里的编码取决于网页编码
# 在decode的时候指定错误处理方式,有strict, ignore和replace三种处理方式,strict是默认的也就是抛出异常,ignore是忽略非法字符
return respone.content.decode('utf-8', 'ignore')
return False
except Exception as e:
print('err1:' + str(e))
return False
复制代码
在run里面调用contents = self.getHtmlContent(url)
如果顺利的话就会得到HTML内容,通过HTML发现dd标签并没有闭合需要处理下
通过etree.HTML
我发现并不能正确闭合dd标签,造成层层嵌套,写个例子测试下
from lxml import etree
aaa = '''
<dl>
<dd>1111
<dd>1111
<dd>1111
<dd>1111
</dl>
'''
bbb = etree.HTML(aaa)
print(etree.tostring(bbb))
复制代码
打印的结果是b'<html><body><dl>\n <dd>1111\n <dd>1111\n <dd>1111\n <dd>1111\n</dd></dd></dd></dd></dl>\n</body></html>'
把HTML转为XML
手动闭合dd
后通过etree.HTML
把HTML转为XML,利用xpath语法
可以快速匹配我们需要的节点。
# 把html转为xml
def htmlToXml(self, contents):
# 手动闭合dd标签
contents = contents.replace('<dd', '</dd><dd')
return etree.HTML(contents)
复制代码
在run里面调用xmls = self.htmlToXml(contents)
再来看看电影结构组成,如下图
dd
里面,评分分为
暂无评分 和
具体评分 2种,父元素是
dl
,而它的
class[movie-list]
在页面只有一个。
获取电影的名称和评分
接下来写个def
分析需要的电影数据,如电影的名称和评分
# 利用xpath解析html内容
def parsingHtml(self, html):
try:
# 选择文档中的节点,而不考虑它们的位置。选取属性class="movie-list"的 dl 节点,这里返回的是dd列表集合
movieList = html.xpath('//dl[@class="movie-list"]/dd')
if len(movieList):
for item in movieList:
# 从当前的 dd 节点选取属性data-act="movies-click"的 a 的节点的文本内容,这里匹配的是电影名称
movieName = item.xpath('.//a[@data-act="movies-click"]/text()')[0]
# 从当前的 dd 节点选取属性class="channel-detail channel-detail-orange的 div 的节点的文本内容,这里匹配的是暂无评分
moviePa = item.xpath('.//div[@class="channel-detail channel-detail-orange"]/text()')
# moviePa没有值说明是有具体评分
if not moviePa:
# 匹配评分的整数
integer = item.xpath('.//div[@class="channel-detail channel-detail-orange"]/i[@class="integer"]/text()')
# 匹配评分的小数
fraction = item.xpath('./div[@class="channel-detail channel-detail-orange"]/i[@class="fraction"]/text()')
moviePa = integer + fraction
yield({
'movieName': movieName,
'moviePa': ''.join(moviePa)
})
return
except Exception as e:
print('err2:' + str(e))
return
复制代码
在run里面调用movieList = self.parsingHtml(xmls)
,通过for
循环打印电影数据
for item in movieList:
strs = '电影:%s -- 评分: %s' % (item['movieName'], item['moviePa'])
print(strs)
复制代码
输出如下:
获取url:http://maoyan.com/films?offset=0
电影:复仇者联盟3:无限战争 -- 评分: 8.6
电影:我是你妈 -- 评分: 8.2
电影:后来的我们 -- 评分: 8.1
电影:超时空同居 -- 评分: 8.8
电影:寂静之地 -- 评分: 暂无评分
电影:幕后玩家 -- 评分: 8.1
电影:狂暴巨兽 -- 评分: 9.0
电影:战犬瑞克斯 -- 评分: 8.2
电影:巴霍巴利王2:终结 -- 评分: 8.7
电影:亲爱的,我要和别人结婚了 -- 评分: 8.2
电影:小公主艾薇拉与神秘王国 -- 评分: 5.7
电影:昼颜 -- 评分: 暂无评分
电影:头号玩家 -- 评分: 9.1
电影:七号公馆 -- 评分: 暂无评分
电影:冰雪女王3:火与冰 -- 评分: 8.2
电影:侏罗纪世界2 -- 评分: 暂无评分
电影:玛丽与魔女之花 -- 评分: 8.0
电影:复仇者联盟4 -- 评分: 暂无评分
电影:青年马克思 -- 评分: 8.4
电影:狄仁杰之四大天王 -- 评分: 暂无评分
电影:爱情公寓 -- 评分: 暂无评分
电影:路过未来 -- 评分: 暂无评分
电影:21克拉 -- 评分: 8.2
电影:游侠索罗:星球大战外传 -- 评分: 暂无评分
电影:午夜十二点 -- 评分: 3.5
电影:龙在哪里? -- 评分: 8.6
电影:火魔高跟鞋 -- 评分: 暂无评分
电影:动物世界 -- 评分: 暂无评分
电影:犬之岛 -- 评分: 7.9
电影:厉害了,我的国 -- 评分: 9.6
复制代码
自动获取下一页的数据
自此已经可以请求网页并且获取需要的数据,接下来自动请求下一页。通过分析发现URl都是http://maoyan.com/films
拼接?offset=x
这个参数,x是当前页数的起始数,第一页x
为0,第二页x
为30,以此类推。刚好下一页的href
就是这个参数。
写个def
获取下一个的参数
# 匹配下一页
def getNextPage(self, html):
try:
# 获取a元素的文本值为下一页的href属性
result = html.xpath('//a[text()="下一页"]/@href')
return result[0] if len(result) else False
except Exception as e:
print('err3:' + str(e))
return False
复制代码
在run里面通过递归的方式实现自动获取下一页的数据,并随机休眠5-20秒以预防被猫眼拒绝访问
NextPage = self.getNextPage(xmls)
if NextPage:
sleepTime = random.randint(5, 20)
print('休眠时间:%s' % (sleepTime))
# time.sleep(sleepTime)
sarr = list(range(sleepTime))
sarr.sort(reverse=True)
for iss in sarr:
time.sleep(1)
print('倒计时:' + str(iss))
self.run(NextPage)
复制代码
到这里已经基本完成了一个爬虫
设置cookie来获取需要登陆的网站的数据
有些网站内容必须需要登陆了才能访问,手动设置cookie的方式应该是比较省力的,通过浏览器登陆网页后,通过F12
- Network
- Headers
- Request Headers
找到 Cookie
字段里面包含了cookie信息,写个def
把字符串转为字典
def dictToCookie(self):
cookie_str = 'uuid=1A6E888B4A4B29B16FBA1299108DBE9C716675A309C3BAA9D55E347DEB6E83EC; _lxsdk_cuid=16367a2e6a9c8-0d58eea69a4d89-3c3c5905-1fa400-16367a2e6a9c8; _lxsdk=1A6E888B4A4B29B16FBA1299108DBE9C716675A309C3BAA9D55E347DEB6E83EC; _csrf=89ce8482c620a863330c9ffcaf2e20579a55a76cbd8637ac62a2b9f72c172a7b; _lx_utm=utm_source%3DBaidu%26utm_medium%3Dorganic; lt=DiIgzaThdLC5XZdcq4joMkZRpD8AAAAA3QUAAIpNTDuzpXNwUmtKXTXO6i9RayLLEM7KoYPwtHI1-tbRoMyue5EEa87kRKXrkA9SxQ; lt.sig=HiWqeKJoko8oWV-YaVVbIHt4iXQ; __mta=46043675.1526452119497.1526534209978.1526537087635.59; _lxsdk_s=1636cb36a83-aff-08c-b8a%7C%7C2'
cookie_dict = dict()
for item in cookie_str.split(';'):
key, value = item.split('=', 1) # 1代表只分一次,得到两个数据
cookie_dict[key] = value
return cookie_dict
复制代码
然后在class
的__init__
里面把字典转为cookiejar
并设置cookie
cookie_dict = self.dictToCookie()
self.session.cookies = requests.utils.cookiejar_from_dict(cookie_dict, cookiejar=None, overwrite=True)
复制代码
完整代码
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Date : 2018-05-16 15:14:06
# @Author : Your Name (you@example.org)
# @Link : link
# @Version : 1.0.0
# 获取猫眼热门电影
import time
import requests
import random
from lxml import etree
class MaoYanHot:
def __init__(self):
self.session = requests.session()
self.baseUrl = 'http://maoyan.com/films'
self.headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',
'Accept': 'text/html;q=0.9,*/*;q=0.8',
'Accept-Charset': 'ISO-8859-1,utf-8;q=0.7,*;q=0.3',
'Accept-Encoding': 'gzip',
'Connection': 'close',
'Referer': None # 注意如果依然不能抓取的话,这里可以设置抓取网站的host
}
cookie_dict = self.dictToCookie()
self.session.cookies = requests.utils.cookiejar_from_dict(cookie_dict, cookiejar=None, overwrite=True)
# 转为字典
def dictToCookie(self):
cookie_str = 'uuid=1A6E888B4A4B29B16FBA1299108DBE9C716675A309C3BAA9D55E347DEB6E83EC; _lxsdk_cuid=16367a2e6a9c8-0d58eea69a4d89-3c3c5905-1fa400-16367a2e6a9c8; _lxsdk=1A6E888B4A4B29B16FBA1299108DBE9C716675A309C3BAA9D55E347DEB6E83EC; _csrf=89ce8482c620a863330c9ffcaf2e20579a55a76cbd8637ac62a2b9f72c172a7b; _lx_utm=utm_source%3DBaidu%26utm_medium%3Dorganic; lt=DiIgzaThdLC5XZdcq4joMkZRpD8AAAAA3QUAAIpNTDuzpXNwUmtKXTXO6i9RayLLEM7KoYPwtHI1-tbRoMyue5EEa87kRKXrkA9SxQ; lt.sig=HiWqeKJoko8oWV-YaVVbIHt4iXQ; __mta=46043675.1526452119497.1526534209978.1526537087635.59; _lxsdk_s=1636cb36a83-aff-08c-b8a%7C%7C2'
cookie_dict = dict()
for item in cookie_str.split(';'):
key, value = item.split('=', 1) # 1代表只分一次,得到两个数据
cookie_dict[key] = value
return cookie_dict
# 获取网页内容
def getHtmlContent(self, url):
try:
respone = self.session.get(url, headers=self.headers)
if respone.status_code == 200:
return respone.content.decode('utf-8')
return False
except Exception as e:
print('err1:' + str(e))
return False
# 把html转为xml
def htmlToXml(self, contents):
# 手动闭合dd标签
contents = contents.replace('<dd', '</dd><dd')
return etree.HTML(contents)
# 利用xpath解析html内容
def parsingHtml(self, html):
try:
movieList = html.xpath('//dl[@class="movie-list"]/dd')
if len(movieList):
for item in movieList:
movieName = item.xpath('.//a[@data-act="movies-click"]/text()')[0]
moviePa = item.xpath('.//div[@class="channel-detail channel-detail-orange"]/text()')
if not moviePa:
integer = item.xpath('.//div[@class="channel-detail channel-detail-orange"]/i[@class="integer"]/text()')
fraction = item.xpath('./div[@class="channel-detail channel-detail-orange"]/i[@class="fraction"]/text()')
moviePa = integer + fraction
yield({
'movieName': movieName,
'moviePa': ''.join(moviePa)
})
return
except Exception as e:
print('err2:' + str(e))
return
# 匹配下一页
def getNextPage(self, html):
try:
result = html.xpath('//a[text()="下一页"]/@href')
return result[0] if len(result) else False
except Exception as e:
print('err3:' + str(e))
return False
# 开始访问
def run(self, pages='?offset=18180'):
url = self.baseUrl + pages
print('获取url:' + url)
contents = self.getHtmlContent(url)
if contents:
xmls = self.htmlToXml(contents)
movieList = self.parsingHtml(xmls)
file_object = open('movie.txt', 'a+', encoding='utf-8')
file_object.write('获取url:' + url + "\n")
for item in movieList:
strs = '电影:%s -- 评分: %s' % (item['movieName'], item['moviePa'])
print(strs)
file_object.write(strs + "\n")
file_object.close()
NextPage = self.getNextPage(xmls)
if NextPage:
sleepTime = random.randint(5, 20)
print('休眠时间:%s' % (sleepTime))
# time.sleep(sleepTime)
sarr = list(range(sleepTime))
sarr.sort(reverse=True)
for iss in sarr:
time.sleep(1)
print('倒计时:' + str(iss))
self.run(NextPage)
else:
print('网页内容获取失败')
MaoYanHot = MaoYanHot()
MaoYanHot.run()
复制代码