requests抓取猫眼电影

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)