python之爬取猫眼前100电影

 由于疫情原因，久久不能开学，博主在家天天抠脚无所事事。于是打算趁着假期好好刷一下电影，就把猫眼排行榜前100的电影给爬了下来。

 其实爬虫都是有套路的，我把它分成四个步骤：

• 构造URL列表
• 发送请求，获取响应
• 提取数据
• 保存数据

---

1.抓取分析

 首先，我们去到要抓取的页面，打开往下拉发现是分页的，这就说明我们需要根据其规律构造多个URL了。

 点击下一页发现第一页和第二页的URL地址不一样，offset增加了10，可以推测这是一个偏移量的参数。多点击几次下一页观察，发现正如我们所料，offset每次增加十。如果要获取top100，那么需要我们请求十次，每次offset参数设置为0、10、20…

2.抓取首页内容

 在浏览器中右键检查->network->headers。headers里面信息很多，比较重要的是user-agent，如果在请求时没带，网站很容易发现我们是爬虫，从而请求失败。
 一般来说，带有user-agent就能请求成功；如果不行，就增加Accept、Referer、Cookies等。在这里只要user-agent即可。

 随后编写代码。这下面，我们通过status_code来判断是否请求成功，请求成功返回的结果是200。

    def get_one_page(self, url):
        try:
        	# 设置headers
            headers = {
                "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36",
            }
            response = requests.get(url, headers=headers)
            if response.status_code == 200:
            	# 抓取成功则返回
                return response.text
            return None
        except RequestException:
            return None

3.利用正则提取

3.1查看源码

 提取数据的方法有很多，比如正则表达式、xpath等等。在这里使用正则演示。
 在network里找到preview。可以发现，每部电影对应的是一个dd节点。可以看到，排名在class为board-index的i节点里，因此正则表达式为：<dd>.*?board-index.*?>(.*?)</i>
 同理可以得到图片链接、电影名称、主演、发布日期和评分等等。

3.2整合代码

 最后整合，使用compile方法封装正则表达式以便复用。提取数据后是比较乱的，所以需要再整理一下数据。

    def parse_one_page(self, html):
        # 提取数据
        pattern = re.compile(
            '<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>'
            '.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?'
            'fraction.*?>(.*?)</i>.*?</dd>', re.S)
        items = re.findall(pattern, html)
        for item in items:
            # 整理数据
            yield {
                'index': item[0],
                'title': item[2].strip(),
                'actor': item[3].strip()[3:],
                'time': item[4].strip()[5:],
                'score': item[5] + item[6],
                'image': item[1],
            }

4.写入文件

 通过json方法将字典序列化，记得指定ensure_ascii为False，否则结果是Unicode编码而不是中文。

    def write_to_file(self, content):
        # 保存下数据
        with open('result.txt', 'a', encoding='utf-8') as f:
            f.write(json.dumps(content, ensure_ascii=False)+'\n')

5.整合代码

 通过编写方法来调用前面的方法，实现具体功能。

    def get_content(self):
        # 最后循环一下得到全部页面数据
        for i in range(10):
            url = self.start_url.format(i*10)	# 得到多个URL地址
            html = self.get_one_page(url)
            for item in self.parse_one_page(html):
                self.write_to_file(item)
            time.sleep(1)   # 防止猫眼反爬虫

---

 
 写到这里就结束了，最后封装成类再调用就可以实现最终结果了。完整代码如下：

"""
目标：抓取猫眼排行前100电影
"""
import requests
import re
import json
from requests.exceptions import RequestException
import time


class GetMovies():
    def __init__(self):
        self.start_url = url = 'https://maoyan.com/board/4?offset={0}'  # 用槽占用着，后面填偏移量

    def get_one_page(self, url):
        # 得到单页的源代码
        try:
            headers = {
                "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36",
            }
            response = requests.get(url, headers=headers)
            if response.status_code == 200:
                return response.text
            return None
        except RequestException:
            return None

    def parse_one_page(self, html):
        # 提取数据
        pattern = re.compile(
            '<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>'
            '.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?'
            'fraction.*?>(.*?)</i>.*?</dd>', re.S)
        items = re.findall(pattern, html)
        for item in items:
            # 整理数据
            yield {
                'index': item[0],
                'title': item[2].strip(),
                'actor': item[3].strip()[3:],
                'time': item[4].strip()[5:],
                'score': item[5] + item[6],
                'image': item[1],
            }

    def write_to_file(self, content):
        # 保存下数据
        with open('result.txt', 'a', encoding='utf-8') as f:
            f.write(json.dumps(content, ensure_ascii=False)+'\n')

    def get_content(self):
        # 最后循环一下得到全部页面数据
        for i in range(10):
            url = self.start_url.format(i*10)
            html = self.get_one_page(url)
            for item in self.parse_one_page(html):
                self.write_to_file(item)
            time.sleep(1)   # 防止猫眼反爬虫



if __name__ == '__main__':
    maoyan = GetMovies()
    maoyan.get_content()