【爬虫学习1】正则表达式加Requests爬取猫眼电影排行

• 学习网易云课堂的网视频的课后总结
• http://study.163.com/course/courseMain.htm?courseId=1003735019
  -全部代码见于 :https://github.com/EmpGro/Maoyan100

---

Requests获取网页数据

运用Requests获得网页

import requests
##获取单个网页数据
def get_one_page(url):
    response = requests.get(url)
    return response.text

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

加入异常处理和响应信息确认，将get_one_page()函数修改为

from requests.exceptions import RequestException
def get_one_page(url):
    try:
        response = requests.get(url)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None 

运行获得网页数据成功

正则表达式匹配数据

正则表达式学习参看这里

进入猫眼电影网->TOP100榜
按F12打开审查元素工具
观察源代码发现每部影片信息包含在一个dd标签内

展开结构得到如下内容

<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>

于是构建正则表达式函数

import re
def parse_one_page(html):
    '''进行正则函数匹配'''
    pattern = re.compile('
.*?board-index.*?>(\d+)' #排名
                         +'.*?data-src="(.*?)".*?name"> #图片
                         +'.*?}">(.*?)'  #名字
                         +'.*?star">\s*(.*?)\s*
' #主演
                         +'.*?releasetime">(.*?)  #上映时间
                         +'.*?integer">(.*?)  #排名个位
                         +'.*?fraction">(.*?).*?
', re.S)  #排名小数点位
    items = re.findall(pattern, html)
    return items

主函数修改为

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

获得输出

数据格式化

可以发现正则表达式给出的是元组列表
尝试对数据进行格式化处理

def parse_one_page(html):
    '''进行正则函数匹配'''
    pattern = re.compile('
.*?board-index.*?>(\d+)' #排名
                         +'.*?data-src="(.*?)".*?name"> #图片
                         +'.*?}">(.*?)'  #名字
                         +'.*?star">\s*(.*?)\s*
' #主演
                         +'.*?releasetime">(.*?)  #上映时间
                         +'.*?integer">(.*?)  #排名个位
                         +'.*?fraction">(.*?).*?
', re.S)  #排名小数点位
    items = re.findall(pattern, html)
    #格式化输出
    for item in items:
        yield {
            'index': item[0],
            'image': item[1],
            'title': item[2],
            'actor': item[3][3:],
            'times': item[4][5:15],
            'ranks': item[5]+item[6]
        }

相应的主函数修改成

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

运行得到

多页面爬取

下面将数据从1-10扩展到1-100
研究网址发现，从第2页开始网址变为

http://maoyan.com/board/4?offset=10
即第i面为
http://maoyan.com/board/4?offset=10*i i=range(10)
尝试offset=0情况，发现能进入第一页
于是构造并修改函数如下：

def one_page(offset):
    url = 'http://maoyan.com/board/4?offset=' + str(offset)
    html = get_one_page(url)
    for item in parse_one_page(html):
        print(item)

def main():
    for i in range(10):
        one_page(i*10)

获得输出

保存为文件

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()
    ##让json输出中文而非Unicode码
    ##在open中加入encoding='utf-8'  dumps中加入ensure_ascii=False

one_page函数相应修改

def one_page(offset):
    url = 'http://maoyan.com/board/4?offset=' + str(offset)
    html = get_one_page(url)
    for item in parse_one_page(html):
        write_to_file(item)

打开results.txt即看到结果

---