Python爬虫学习(一)使用Requests和正则表达式爬取简单网页

1.概述

使用Requests库和正则表达式爬取猫眼电影TOP100中的电影信息,包括电影名称、主演、上映时间、评分、图片等信息。然后将获取的信息保存到文本文件。

2.网页分析

要爬取的网页为猫眼电影TOP100 http://maoyan.com/board/4
网页页面如下所示:
Python爬虫学习(一)使用Requests和正则表达式爬取简单网页_第1张图片
看一下页面的显示规律是怎样的,一页是显示10部电影名称。第二页的url和内容如下所示:url为:http://maoyan.com/board/4?offset=10
可以看出和第一页的url的主要差别为后面的offset,要抓取后面的网页的内容,只要在url后面加上相应的offset参数就可以了。
Python爬虫学习(一)使用Requests和正则表达式爬取简单网页_第2张图片

3.请求网页

首先请求一个页面,通过requests中的get方法,请求网页。

# 获取单个页面
def get_one_page(url):
    try:
        # 添加头部信息
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537.36'
        }
        response = requests.get(url, headers=headers)
        # 进行状态码判断,是否正确读取到网页
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None

测试是否成功获取到网页的页面信息。

def main():
    url = 'http://maoyan.com/board/4'
    html = get_one_page(url)
    print(html)

3.正则表达式

获取到网页的信息之后,就需要用正则表达式来解析网页,抓取我们所需要的信息;打开浏览器的审查元素功能,查看网页的源码,查找我们需要抓取的信息在哪个位置。
Python爬虫学习(一)使用Requests和正则表达式爬取简单网页_第3张图片
以第一个电影为例:分析源码。可以看到我们所需要的信息都包含在下面的html代码中。

    <dd>
    <i class="board-index board-index-1">1i>
    <a href="/films/1203" title="霸王别姬" class="image-link" data-act="boarditem-click" data-val="{movieId:1203}">
    <img src="//ms0.meituan.net/mywww/image/loading_2.e3d934bf.png" alt="" class="poster-default" />
    <img data-src="http://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c" alt="霸王别姬" class="board-img" />
    a>
    <div class="board-item-main">
      <div class="board-item-content">
              <div class="movie-item-info">
        <p class="name"><a href="/films/1203" title="霸王别姬" data-act="boarditem-click" data-val="{movieId:1203}">霸王别姬a>p>
        <p class="star">
                主演:张国荣,张丰毅,巩俐
        p>
<p class="releasetime">上映时间:1993-01-01(中国香港)p>    div>
    <div class="movie-item-number score-num">
<p class="score"><i class="integer">9.i><i class="fraction">6i>p>        
    div>

      div>
    div>

  dd>

一个电影的信息都包含在

标签中,我们需要从中抓取图片、名称、主演、上映时间、评分等信息。通过正则表达式来实现:

# 解析网页
def parse_one_page(html):
    pattern = re.compile('
.*?board-index.*?>(\d+).*?src="(.*?)".*?name"> +'.*?>(.*?).*?star">(.*?)

.*?releasetime">(.*?)

'
+'.*?integer">(.*?).*?fraction">(.*?).*?
'
, 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:], 'time': item[4].strip()[5:], 'score': item[5] + item[6] }
'
.*?board-index.*?>(\d+).*?src="(.*?)".*?name"> +'.*?>(.*?).*?star">(.*?)

.*?releasetime">(.*?)

'
+'.*?integer">(.*?).*?fraction">(.*?).*?
'

这串字符串就是我们用到的正则表达式,先从

标签开始进行匹配,首先匹配的board-index,表示是电影的排名信息,用非贪婪匹配来提取i节点中的信息;接下来匹配图片的链接信息,保存在src标签中,然后通过name属性匹配电影的名称,再去p标签中查找star属性,得到主演的信息,后面接着获取releasetime发行时间和评分的信息。

4.保存

正则表达式写好之后,可以先测试输出一下,看得到的是否是我们想要的信息,如果信息无误就把信息用文本保存下来。
这里通过JSON库的dumps()方法实现字典的序列化,并指定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。

# 将抓取的内容保存到文件
def write_to_file(content):
    with open('result.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False) + '\n')
        f.close()

完整代码

完整的python代码如下,后面使用Pool进程池,多进程来提升代码的抓取效率。

import requests
from requests.exceptions import RequestException
import re
import json
from multiprocessing import Pool

# 获取单个页面
def get_one_page(url):
    try:
        # 添加头部信息
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537.36'
        }
        response = requests.get(url, headers=headers)
        # 进行状态码判断,是否正确读取到网页
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None

# 解析网页
def parse_one_page(html):
    pattern = re.compile('
.*?board-index.*?>(\d+).*?src="(.*?)".*?name"> +'.*?>(.*?).*?star">(.*?)

.*?releasetime">(.*?)

'
+'.*?integer">(.*?).*?fraction">(.*?).*?
'
, 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:], 'time': item[4].strip()[5:], 'score': item[5] + item[6] } # 将抓取的内容保存到文件 def write_to_file(content): with open('result.txt', 'a', encoding='utf-8') as f: 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_one_page(url) # print(html) # parse_one_page(html) for item in parse_one_page(html): print(item) write_to_file(item) if __name__ == '__main__': pool = Pool() pool.map(main, [i*10 for i in range(10)]) # for i in range(10): # main(i*10)

最终运行结果如下:
Python爬虫学习(一)使用Requests和正则表达式爬取简单网页_第4张图片

你可能感兴趣的:(python)