小编也是最近才开始学习爬虫,现在慢慢开始上手,越学越来劲,一天下班不学,总觉得缺点啥东西。。。哈哈哈
最近完整的将爬取猫眼电影Top100信息爬取出来(包括排名、图片、电影名称、导演、上映时间、评分等)
一、站点分析
主要思路为:抓取单页内容:主要利用requests得到页面HTML代码
正则表达式分析:解析HTML代码,得到电影信息
保存至文件:通过文件的形式将结果保存
开启循环:对多页面遍历,得到所有内容
二、代码实践
接下来,我们就开启蜗牛式爬虫
抓取单页内容:
import requests
from requests.exceptions import RequestException
# 获取页面HTML代码
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)'
+'Chrome/62.0.3202.94 Safari/537.36'}
def get_one_page(url):
try:
res = requests.get(url,headers=headers)
if res.status_code == 200:
return res.text
return None
except RequestException:
return None
def main():
url = 'TOP100榜 - 猫眼电影 - 一网打尽好电影'
html = get_one_page(url)
for item in parse_one_page(html):
print(item)
if __name__ == '__main__':
main()
# 解析页面HTML代码
def parse_one_page(html):
pattern = re.compile('
.*?board-index.*?>(\d+).*?data-src="(.*?)".*?name">+ '.*?>(.*?)
.*?star">(.*?).*?releasetime">(.*?)'+ '.*?integer">(.*?).*?fraction">(.*?).*?
', 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]
}
#保存至文件中
def write_to_file(content):
with open('result.text', 'a', encoding='utf-8') as f:
f.write(json.dumps(content, ensure_ascii=False) + '\n')
f.close()
#利用循环遍历获得所有信息
def main(offert):
url = 'http://maoyan.com/board/4?offset=' + str(offert)
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(i * 10)
结果: