1.安装requests库 pip install requests
2.抓取的页面url :https://maoyan.com/board/4
3. 页面分页显示
可以发现页面的 URL 变成 :https://maoyan.com/board/4?offset=10 ,比之前的 URL 多了一个参数,那
就是 offset=10 ,而目前显示的结果是排行 II 名的电影,初步推断这是一个偏移聋的参数 再点
击下一页,发现页面的 RL 变成了 http: // maoya co m/board/4? offset=20 ,参数 off set 变成了 ,而
显示的结果是排行 21--30 的电影
由此可以总结出规律, off set 代表偏移量值,如果偏移量为 显示的电影序号就是 n+l n+10,
每页显示 10 所以,如果想获取 TOPlOO 电影,只需要分开请求 10 次,而 10 次的 offset 参数分
别设置为 10 20 ..90 即可,这样获取不同的页面之后,再用正 表达式提取 相关信息,就可以
得到 TO PlOO 的所有电影信息了
4.抓取首页内容
首先抓取第一页的内容,使用get_one_page()方法,并给它传入url参数,然后抓取的页面结果返回,再通过main()方法调用。
通过这样运行,可以得到页面的源代码,但是在网页中通过检查在elements选项中不能直接查看源码,因为那里的源码需要通过js操作而与原始的请求不同,所以需要到network选项卡中请求原始代码
可以看到,每一部电影信息对应的源代码是一个dd节点,可以用正则匹配去获取对应的信息
获取排名,使用正则为:<dd>.*?board-index.*?>(.*?)</i> 这里匹配到的值为排名,匹配到所有的排名
随后提取图片,使用正则为:<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)" 【后面使用findall进行获取结果,得到的结果是()里面匹配到的内容】
依次获取,最后幸好曾的正则表达式为:
<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>
这里我们定义解析的页面为parse_one_page(),通过正则表达式获取我们想要得到的信息,实现代码如下:
re.S表示匹配的内容扩展到整个字符串,包括“\n”
这里下面截图中红字标的地方,只是为了页面展示的时候方便观看,在实际写的时候要写到一行,否则出来的数据会和想要的不太一样
可以看到结果比较混乱,可通过便利提取结果并生成字典,代码如下:
将结果写入文件,这里通过JSON库的dumps()方法实现字典的序列化,并且指定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
到此,单页电影的抓取就完成了,
附录完整代码:
import json,time
import requests
def get_one_page(url):
headers = {
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 \
(KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36"
}
response = requests.get(url,headers=headers)
if response.status_code == 200:
return response.text
return None
# print(get_one_page("https://maoyan.com/board/4"))
def parse_one_page(html):
import re
# pattern = re.compile('<dd>.*?board-index.*?>(.*?)</i>',re.S)
# items = re.findall(pattern,html)
# print(items)
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)
# print(items)
for item in items:
yield {
'index':item[0],
'image':item[1],
'title':item[2],
'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()
}
def write_to_file(content):
with open("result.txt",'a',encoding="utf-8") as f:
f.write(json.dumps(content,ensure_ascii=False) + '\n')
def main(offset):
url="https://maoyan.com/board/4?offset=" + str(offset)
html = get_one_page(url)
print(parse_one_page(html))
for item in parse_one_page(html):
print(item)
write_to_file(item)
if __name__ == '__main__':
for i in range(10):
main(i*10)
time.sleep(1)