Top100榜单共分为10页,经过观察,每一页的URL区别为:get请求参数 offset 变化。
所以URL如下设置:
url = 'http://www.maoyan.com/board/4?offset=' + str(page_num)
获取单页的html的代码写为一个函数:
# 获取单页的html
def get_one_page(url):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.75 Safari/537.36'
}
# requests.get(url,headers) 头这样设置无法返回结果,相当于没有加请求头
response = requests.get(url, headers=headers)
if response.status_code == 200:
return response.text
return None
我们抓取的内容为6个:排行序号、图片地址、电影名、演员、上映时间(国家)、得分
经过观察,每一个电影的信息在html中的一个
标签中,如下图:使用正则表达式,对我们所需信息的解析函数如下:
# 进行单页的解析,返回单页中我们需要的全部信息
def parse_one_page(html):
# 提取排名数
.*?board-index.*?>(.*?)# 提取图片 data-src="(.*?)"
# 提取电影名
(.*?)# 提取演员
(.*?)# 提取上映时间
(.*?)# 提取评分
(.*?)(.*?)pattern = re.compile('
.*?board-index.*?>(.*?).*?data-src="(.*?)".*?(.*?).*?(.*?).*?(.*?).*?(.*?)(.*?).*?',re.S)items = re.findall(pattern,html)
for item in items:
# 使用 yield 关键字,关键字所在的函数变为一个生成器(generator),
# 调用该函数会返回一个 iterable 对象,然后就可以迭代进行输出。
# 使用 yield 的好处是,对于需要返回很大空间的数据,可以节省内存空间。
# 当你调用这个函数的时候,函数内部的代码并不立马执行 ,这个函数只是返回一个生成器对象。
# 当你使用for进行迭代的时候,函数中的代码才会执行。相当于每次返回一次迭代的数据,节省了很大的内存空间。
yield {
'index':item[0].strip(),
'image':item[1].strip(),
'title':item[2].strip(),
'actor':item[3].strip()[3:] if len(item[3])>3 else '',
'time':item[4].strip()[5:] if len(item[4])>5 else '',
'score':item[5].strip() + item[6].strip()
}
然后我们将获取的信息写入到一个txt文件中,写入每一条电影信息的函数如下:
# 写入一条电影信息,实现文本追加
def write_one_movie(content):
with open('maoyanResult.txt','a',encoding='utf-8') as f:
# 这里通过 JSON 库的 dumps()方法实现字典的序列化,
# 指定 ensure_ascii 参数为 False,这样可以保证输出结果是中文形式而不是 Unicode 编码
# print(type(json.dumps(content)))
f.write(json.dumps(content,ensure_ascii=False) + '\n')
# 但是试了一下,直接str()转换也可以实现相同的写入
# f.write(str(content) + '\n')
然后将以上三个函数汇总,得到获取一页数据的总控制函数:
# 获取一页数据的总控制方法
def main_one_page(page_num):
maoyan_url = 'http://www.maoyan.com/board/4?offset=' + str(page_num)
html = get_one_page(maoyan_url)
for item in parse_one_page(html):
write_one_movie(item)
最后整合起来,分页爬取,将Top100全部爬下来:
if __name__ == '__main__':
if os.path.exists('maoyanResult.txt'):
os.remove('maoyanResult.txt')
for i in range(0,99,10):
print('正在爬取第 {} 页 ...'.format(int(i/10 + 1)))
main_one_page(i)
time.sleep(1)
最终结果如下图
最终代码整合:
import requests
import re
import json
import os
import time
# 获取单页的html
def get_one_page(url):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.75 Safari/537.36'
}
# requests.get(url,headers) 头这样设置无法返回结果,相当于没有加请求头
response = requests.get(url, headers=headers)
if response.status_code == 200:
return response.text
return None
# 进行单页的解析,返回单页中我们需要的全部信息
def parse_one_page(html):
# 提取排名数
.*?board-index.*?>(.*?)# 提取图片 data-src="(.*?)"
# 提取电影名
(.*?)# 提取演员
(.*?)# 提取上映时间
(.*?)# 提取评分
(.*?)(.*?)pattern = re.compile('
.*?board-index.*?>(.*?).*?data-src="(.*?)".*?(.*?).*?(.*?).*?(.*?).*?(.*?)(.*?).*?',re.S)items = re.findall(pattern,html)
for item in items:
# 使用 yield 关键字,关键字所在的函数变为一个生成器(generator),
# 调用该函数会返回一个 iterable 对象,然后就可以迭代进行输出。
# 使用 yield 的好处是,对于需要返回很大空间的数据,可以节省内存空间。
# 当你调用这个函数的时候,函数内部的代码并不立马执行 ,这个函数只是返回一个生成器对象。
# 当你使用for进行迭代的时候,函数中的代码才会执行。相当于每次返回一次迭代的数据,节省了很大的内存空间。
yield {
'index':item[0].strip(),
'image':item[1].strip(),
'title':item[2].strip(),
'actor':item[3].strip()[3:] if len(item[3])>3 else '',
'time':item[4].strip()[5:] if len(item[4])>5 else '',
'score':item[5].strip() + item[6].strip()
}
# 写入一条电影信息,实现文本追加
def write_one_movie(content):
with open('maoyanResult.txt','a',encoding='utf-8') as f:
# 这里通过 JSON 库的 dumps()方法实现字典的序列化,
# 指定 ensure_ascii 参数为 False,这样可以保证输出结果是中文形式而不是 Unicode 编码
# print(type(json.dumps(content)))
f.write(json.dumps(content,ensure_ascii=False) + '\n')
# 但是试了一下,直接str()转换也可以实现相同的写入
# f.write(str(content) + '\n')
# 获取一页数据的总控制方法
def main_one_page(page_num):
maoyan_url = 'http://www.maoyan.com/board/4?offset=' + str(page_num)
html = get_one_page(maoyan_url)
for item in parse_one_page(html):
write_one_movie(item)
if __name__ == '__main__':
if os.path.exists('maoyanResult.txt'):
os.remove('maoyanResult.txt')
for i in range(0,99,10):
print('正在爬取第 {} 页 ...'.format(int(i/10 + 1)))
main_one_page(i)
time.sleep(1)