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!!!")
猫眼TOP100 爬取详细指南
最新推荐文章于 2021-12-24 10:11:12 发布