提示:很抱歉,您的访问被禁止
需要伪装浏览器,在headers中添加’User-Agent’字典内容
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36'
}
完整程序:
import json
import requests
from requests.exceptions import RequestException
import re
def get_page(url):
# 伪装浏览器
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36'
}
try:
res = requests.get(url, headers=headers)
if res.status_code == 200:
return res.text
except RequestException: # 捕捉请求请求失败
return None
def parse_page(html):
# 根据网页编写正则表达式,首先确定<dd>开头和</dd>的内容为电影信息内容
# 再一层层找到相应的电影信息
pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>' # 排名
'.*?<p.*?"name"><.*?title="(.*?)"' # 名字
'.*?"star">(.*?)</p>' # 演员
'.*?"releasetime">(.*?)</p>' # 上映时间
'.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>' # 评分
, re.S)
res = re.findall(pattern, html) # 使用正则表达式查找所有,返回list
for item in res:
# 以迭代器的形式返回内容
yield {
'index': item[0],
'title': item[1],
'actor': item[2].strip()[3:],
"time": item[3].strip()[5:],
'score': item[4]+item[5]
}
def write_to_file(content):
# 以utf-8 方法打开; 'a',附加写方式打开,不可读; a+附加读写方式打开
with open('result.txt', 'a', encoding='utf-8') as f:
# .dumps 将dict转换成str格式,
# .loads 将str转换成dict格式
f.write(json.dumps(content, ensure_ascii=False) + '\n')
f.close()
def main(offset):
url = 'http://maoyan.com/board/4?offset='+str(offset)
html = get_page(url)
# 返回迭代器,循环写入文件
for item in parse_page(html):
print(item)
write_to_file(item)
if __name__ == '__main__':
# 爬取多个页面,用for语句来生成翻页内容
for i in range(10):
main(i*10)