python爬虫爬取猫眼电影Top100

很早就对爬虫有所耳闻，于是乎就在网上买了一本python爬虫的书，在学习的过程中也想做一些笔记与大家分享分享，勿喷

1.准备工作

• 环境：python3（本人用的是anaconda ，里面已经集成了很多python需要的库以及依赖的包）
• 运行软件：pycharm
• 浏览器：谷歌
• 爬取方法：正则表达式

2.分析网站

2.1. 猫眼电影top100：http://maoyan.com/board/4

2.2. F12打开控制台，在response中找到需要的页面信息
如图

2.3. 发现每一部电影都是一个dd标签，我们需要爬取它的排名、图片地址、电影名称、主演名单、上映时间以及评分。排名信息就在class为board-index的i节点内，使用非贪婪(.*?)来提取i节点内的信息

.*?board-index.*?>(.*?)

2.4. 接下来就是提取电影图片链接，经过检查第二个img节点的data-src属性是图片链接，正则如下

.*?board-index.*?>(.*?).*?data-src="(.*?)"

2.5.再往后就是提取电影的名称，它在下面的p节点内，class为name，用name做一个标志位，进一步提取a节点中的正文内容，如下

.*?board-index.*?>(.*?).*?data-src="(.*?)".*?name.*?a.*?>(.*?)

2.6.最后提取主演、发布时间、评分都是以此类推

.*?board-index.*?>(.*?).*?data-src="(.*?)".*?name.*?a.*?>(.*?).*?star.*?>(.*?)
.*?releasetime.*?>(.*?)
.*?integer.*?>(.*?).*?fraction.*?>(.*?).*?

3.抓取首页排行

• 代码如下

import requests,re
from requests.exceptions import RequestException
#定义一个爬取首页的函数
def get_one_page(url):
#做出异常处理
    try:
      headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.92 Safari/537.36'

      }
      response = requests.get(url, headers=headers)
      #在这里做了一个判断，如果响应的状态码是200，说明有内容，返回获取的内容
      if response.status_code == 200:  
        return response.text
      return None
    except RequestException:
        return None

#定义一个提取首页排行信息的函数       
def parse_one_page(html):
    patten = re.compile(
        '
.*?board-index.*?>(.*?).*?data-src="(.*?)".*?name.*?a.*?>(.*?).*?star.*?>(.*?)
.*?releasetime.*?>(.*?)
.*?integer.*?>(.*?).*?fraction.*?>(.*?).*?
',
        re.S)  #由于页面中有换行，所以在正则匹配的过程中为了避免匹配不到完整的信息，使用re.S匹配到换行
    items = re.findall(patten, html)
    for item in items:   #遍历结果并生成字典
        yield {  
        #自定义标题
            'index': item[0],
            'image': item[1],
            'title': item[2],
            'actor': item[3].strip()[3:],   #使用strip方法去掉爬取过程中出现的换行，[3:]使用切片去掉"主演:"
            'time': item[4].strip()[5:],  #[5:]使用切片去掉"上映时间:"
            'score': item[5] + item[6]
        }  
        
#主函数           
def main():  
    url = 'http://maoyan.com/board/4'
    html = get_one_page(url)
    for result in parse_one_page(html):
        print(result)
main()

结果

4.分页爬取

4.1.分析

每一页都有十部电影，在换页会发现url的变化，
第二页：http://maoyan.com/board/4?offset=10，
第三页：http://maoyan.com/board/4?offset=20，
很明显是10的倍数

下面我就直接放整个代码了，不啰嗦了

import requests,re,json,time
from requests.exceptions import RequestException
def get_one_page(url):
#做出异常处理
    try:
      headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.92 Safari/537.36'

      }
      response = requests.get(url, headers=headers)
      #在这里做了一个判断，如果响应的状态码是200，说明有内容，返回获取的内容
      if response.status_code == 200:
        return response.text
      return None
    except RequestException:
        return None

def parse_one_page(html):
    patten = re.compile(
        '
.*?board-index.*?>(.*?).*?data-src="(.*?)".*?name.*?a.*?>(.*?).*?star.*?>(.*?)
.*?releasetime.*?>(.*?)
.*?integer.*?>(.*?).*?fraction.*?>(.*?).*?
',
        re.S)   #由于页面中有换行，所以在正则匹配的过程中为了避免匹配不到完整的信息，使用re.S匹配到换行
    items = re.findall(patten, html)
    for item in items:     #遍历结果并生成字典
        yield {
            'index': item[0],
            'image': item[1],
            'title': item[2],
            'actor': item[3].strip()[3:],   #使用strip方法去掉爬取过程中出现的换行，[3:]使用切片去掉"主演:"
            'time': item[4].strip()[5:],   #[5:]使用切片去掉"上映时间:"
            'score': item[5] + item[6]
        }
def write_to_file(content):
    with open('result.txt','a',encoding='utf-8') as f:  #爬取信息写入文本
        # print(type(json.dumps(content)))
        f.write(json.dumps(content,ensure_ascii=False)+'\n')

def main(offset):   
    url = 'http://maoyan.com/board/4?offset='+str(offset)  #构造一个参数offset
    html = get_one_page(url)
    for result in parse_one_page(html):
        print(result)
        write_to_file(result)

if __name__ == '__main__':
    for i in range(10):
        main(offset=i*10)
        time.sleep(1)  

结果

至此，猫眼电影Top100信息爬取完毕