【3月24日】Requests+正则表达式抓取猫眼电影Top100

本次实验爬虫任务工具较为简单，主要是熟悉正则表达式的匹配：

pattern = re.compile('
.*?board-index.*?>(\d+).*?data-src="(.*?)".*?name">(.*?).*?star">(.*?)
.*?releasetime">(.*?)
.*?integer">(.*?).*?fraction">(.*?)', re.S)

以上的正则表达式中，分别匹配:
电影的id（\d+）,图片的地址（……src=”(.?)”.?name”>……），名称(……<\a.?>(.?)……)，演员信息（……star”>(.?)<\/p>……）,上映时间（……releasetime”>(.?)<……）以及评分（……integer”>(.?)<…….?fraction”>(.*?)<……，），之后再使用yield进行格式化：

`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]
        }`

得到上述的格式化数据之后，就可以写入txt文件进行持久化保存了。整个代码如下：

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


def get_one_page(url):
    try:
        response = requests.get(url)
        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+).*?data-src="(.*?)".*?name">
                         '.*?>(.*?).*?star">(.*?)
.*?releasetime">(.*?)
.*?in'
                         'teger">(.*?).*?fraction">(.*?)', re.S)

    items = re.findall(pattern, html)
    print(items)
    # 将解析的结果格式化
    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]
        }


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()


# 以offset作为参数，实现分页抓取数据
def main(offset):
    url = "http://maoyan.com/board/4?offset=" + str(offset)
    html = get_one_page(url)
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)

if __name__ == '__main__':
    for i in range(10):
        main(i*10)

最终效果如下图：