猫眼TOP100 爬取详细指南

import time
import requests
from requests import request, session, RequestException
import re
import json

# 使用GET请求到网站的html文件,正则表达式提取,保存为txt文件,
# 循环订立在大框架中

def main(offset):
    url = 'https://maoyan.com/board/4?offset=' + str(offset)  # 猫眼网站
    html = get_one_page(url)  # 函数：爬取数据

    for item in parse_one_page(html):  # 函数：解析数据。  将返回的html数据传入该函数
        print(item)  # 将返回的解析数据打印
        write_one_page(item)  # 函数：以txt文档方式保存数据


# 抓取数据
def get_one_page(url):
    try:
        headers = {
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) '
                          'AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537.36'
        }
        response = requests.get(url=url, headers=headers)
        if response.status_code == 200:  # 判断访问状态码，200代表正常访问
            return response.text  # 返回抓取到的数据

        return None
    except RequestException:  # 报错则返回空数据
        return None


# 解析数据
def parse_one_page(html):
    pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'
                         + '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                         + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)  # 使用正则表达式解析，创建一个格式模板
    items = re.findall(pattern, html)  # 将模板套入对象
    for item in items:
        yield {
            'index': item[0],  # 排名
            'image': item[1],  # 链接
            'title': item[2],  # 片名
            # strip函数用于移除字符串头尾指定的字符（通常是空格）
            'actor': item[3].strip()[3:],  # 演员表
            'time': item[4].strip()[5:],   # 上映时间
            'sore': item[5].strip() + item[6].strip()  # 评分（大多数评分为浮点数，分别装在两个标签中）
        }
        # yield 函数直接返回整个字典


def write_one_page(content):
    with open('猫眼网站抓取.txt', 'a', encoding='utf-8') as f:
        print(json.dumps(content))
        # json.dumps 方法提供一些可选的参数，让输出的格式提高可读性
        print(type(json.dumps(content)))

        # ensure_ascii：默认值True，如果dict内含有non-ASCII的字符，则会类似\uXXXX的显示数据，设置成False后，就能正常显示
        f.write(json.dumps(content, ensure_ascii=False) + '\n')  # 保存为txt文本，在dumps方法下添加ensure_ascii=False：对json文件指定中文。


if __name__ == '__main__':
    for i in range(10):  # 网站页数循环设置
        main(offset=i * 10)  # 运行主函数，并加入url参数
        time.sleep(1)  # 网站有反爬机制，需要延时处理
        print("爬取完毕！！！")