python 爬取猫眼电影top100数据

最近有爬虫相关的需求，所以上B站找了个视频（链接在文末）看了一下，做了一个小程序出来，大体上没有修改，只是在最后的存储上，由txt换成了excel。

• 简要需求：爬虫爬取 猫眼电影TOP100榜单 数据
• 使用语言：python
• 工具：PyCharm
• 涉及库：requests、re、openpyxl(高版本excel操作库)

实现代码

猫眼电影Robots

 1 # -*- coding: utf-8 -*-
 2 # @Author  : yocichen
 3 # @Email   : [email protected]
 4 # @File    : MaoyanTop100.py
 5 # @Software: PyCharm
 6 # @Time    : 2019/11/6 9:52
 7 
 8 import requests
 9 from requests import RequestException
10 import re
11 import openpyxl
12 
13 # Get page's html by requests module
14 def get_one_page(url):
15     try:
16         headers = {
17             'user-agent':'Mozilla/5.0'
18         }
19         # use headers to avoid 403 Forbidden Error(reject spider)
20         response = requests.get(url, headers=headers)
21         if response.status_code == 200 :
22             return response.text
23         return None
24     except RequestException:
25         return None
26 
27 # Get useful info from html of a page by re module
28 def parse_one_page(html):
29     pattern = re.compile('
.*?board-index.*?>(\d+)<.*?'
30                          +'.*?data-src="(.*?)".*?.*?star">[\\s]*(.*?)[\\n][\\s]*
.*?'
31                          +'releasetime">(.*?)
.*?integer">(.*?).*?'
32                          +'fraction">(.*?).*?', re.S)
33     items = re.findall(pattern, html)
34     return items
35 
36 # Main call function
37 def main(url):
38     page_html = get_one_page(url)
39     parse_res = parse_one_page(page_html)
40     return parse_res
41 
42 # Write the useful info in excel(*.xlsx file)
43 def write_excel_xlsx(items):
44     wb = openpyxl.Workbook()
45     ws = wb.active
46     rows = len(items)
47     cols = len(items[0])
48     # First, write col's title.
49     ws.cell(1, 1).value = '编号'
50     ws.cell(1, 2).value = '片名'
51     ws.cell(1, 3).value = '宣传图片'
52     ws.cell(1, 4).value = '主演'
53     ws.cell(1, 5).value = '上映时间'
54     ws.cell(1, 6).value = '评分'
55     # Write film's info
56     for i in range(0, rows):
57         for j in range(0, cols):
58             # print(items[i-1][j-1])
59             if j != 5:
60                 ws.cell(i+2, j+1).value = items[i][j]
61             else:
62                 ws.cell(i+2, j+1).value = items[i][j]+items[i][j+1]
63                 break
64     # Save the work book as *.xlsx
65     wb.save('maoyan_top100.xlsx')
66 
67 if __name__ == '__main__':
68     res = []
69     url = 'https://maoyan.com/board/4?'
70     for i in range(0, 10):
71         if i == 0:
72             res = main(url)
73         else:
74             newUrl = url+'offset='+str(i*10)
75             res.extend(main(newUrl))
76     # test spider
77     # for item in res:
78     #     print(item)
79     # test wirte to excel
80     # res = [
81     #     [1, 2, 3, 4, 9],
82     #     [2, 3, 4, 5, 9],
83     #     [4, 5, 6, 7, 9]
84     # ]
85 
86     write_excel_xlsx(res)

目前的效果

后记

入门了一点后发现，如果使用正则表达式和requests库来实行进行数据爬取的话，分析HTML页面结构和正则表达式的构造是关键，剩下的工作不过是替换url罢了。

你可能需要的 GitHub 传送门

---

补充一个分析HTML构造正则的例子

猫眼经典科幻按照评价排序

审查元素我们会发现每一项都是

****

格式

 我想要获取电影名称和评分，先拿出HTML代码看一看

试着构造正则

'.*?

.*?movie-item-title.*?title="(.*?)">.*?integer">(.*?)<.*?fraction">(.*?)<.*?

' (随手写的，未经验证)

---

 

参考资料

【B站视频 2018年最新Python3.6网络爬虫实战】https://www.bilibili.com/video/av19057145/?p=14

【猫眼电影robots】https://maoyan.com/robots.txt (最好爬之前去看一下，那些可爬那些不允许爬)