使用requests和xpath爬取猫眼TOP100电影

技术路线:requests-xpath

- 使用 requests 获取网页内容

使用 try...except 获取网页内容

- 使用 xpath 解析网页

对主要信息使用 xpath 进行提取

- 翻页及反爬处理

猫眼的翻页处理是 url 处进行翻页的

http://maoyan.com/board/4?offset=0

http://maoyan.com/board/4?offset=10

所以可以拼接处理url

猫眼的反爬主要是根据 user-agent 判断，所以访问的时候需要指定 headers

#!/usr/bin/env python
# _*_ coding:utf-8 _*_

import requests
from lxml import etree

def getHtml(url, headers):
    try:
        r = requests.get(url, headers=headers)
        r.raise_for_status()
        r.encoding = 'utf-8'
        return r.text
    except:
        print('ERROR')


def fillList(html):
    html = etree.HTML(html)
    img = html.xpath('//*[@id="app"]/div/div/div/dl/dd/a/img[2]/@data-src')    # 这里存在坑,使用Chrome查看元素时,图片属性是src,实际使用requests获取的时候,图片属性是data-src
    title = html.xpath('//*[@id="app"]/div/div/div[1]/dl/dd/div/div/div[1]/p[1]/a/text()')
    star = html.xpath('//*[@id="app"]/div/div/div[1]/dl/dd/div/div/div[1]/p[2]/text()')
    releasetime = html.xpath('//*[@id="app"]/div/div/div[1]/dl/dd/div/div/div[1]/p[3]/text()')
    for i in range(len(title)):
        temp = {
            'img': img[i][:-16],    # 提取图片的时候存在图片大小设定等,使用切片去除
            'title': title[i],
            'star': star[i].strip(),    # 提取主演信息的时候有很多空格跟换行符,使用.strip()函数去除
            'releasetime': releasetime[i],
        }
        print(temp)

def main():
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'
    }
    deep = 10
    for i in range(deep):
        url = 'http://maoyan.com/board/4?offset='+str(i*10)
        html = getHtml(url, headers=headers)
        print("正在打印第%s页" % (i+1))
        fillList(html)

if __name__ == '__main__':
    main()