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()