抓取猫眼电影排行——《Python 3网络爬虫开发实战》笔记（三）

一、准备

爬取网址：https://maoyan.com/board/4
会发现榜单一共有10页，每页10部电影，点击下一页观察网址变化，增加了offset参数。当offset=10时，电影排名是21~30.由此知：循环10次，修改offset参数即可爬取到top100的电影名称。

二、步骤

1：传入参数即为待爬取网址：

#爬取单个页面，传入参数为网址
def get_one_page(url):
    try:
        headers = {
            'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3423.2 Safari/537.36'
        }
        response = requests.get(url, headers = headers)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None

2：使用正则表达式提取所需的页面内容，传入参数即为上个函数的返回值：

def parse_one_page(html):
    pattern = re.compile('
.*?board-index.*?>(\d+).*?data-src="(.*?)".*?name">(.*?).*?star">(.*?)
.*?releasetime">(.*?)
.*?integer">(.*?).*?fraction">(.*?).*?
', re.S)
    items = re.findall(pattern, html)
    for item in items:
        yield{
            'index':item[0],
            'image':item[1],
            'title':item[2].strip(),
            'actor':item[3].strip()[3:],
            'time':item[4].strip()[5:],
            'score':item[5]+item[6]
        }

3：将爬取到的内容写入文件top100.txt，传入参数为处理后的内容

def write_to_file(content):
    with open('top100.txt','a',encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False)+'\n')

4：主函数：

传入参数为offset，依次传入十个页面的网址，然后爬取十个页面

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

5：调用主函数并传入offset值，每爬取一个页面延时1s，防止该网站不响应。

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

6：全部代码

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

#爬取单个页面，传入参数为网址
def get_one_page(url):
    try:
        headers = {
            'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3423.2 Safari/537.36'
        }
        response = requests.get(url, headers = headers)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None

#将爬取到的内容用正则表达式提取出来，并且按照字典格式存储
#传入参数为整个页面的内容
def parse_one_page(html):
    pattern = re.compile('
.*?board-index.*?>(\d+).*?data-src="(.*?)".*?name">(.*?).*?star">(.*?)
.*?releasetime">(.*?)
.*?integer">(.*?).*?fraction">(.*?).*?
', re.S)
    items = re.findall(pattern, html)
    for item in items:
        yield{
            'index':item[0],
            'image':item[1],
            'title':item[2].strip(),
            'actor':item[3].strip()[3:],
            'time':item[4].strip()[5:],
            'score':item[5]+item[6]
        }

#将爬取到的内容写入文件
#传入参数为处理过后的有效内容
def write_to_file(content):
    with open('top100.txt','a',encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False)+'\n')

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

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

三、说明

1：time.sleep(t)

t为延时秒数

2：__name__=='__main__'

有句话经典的概括了这段代码的意义：
“Make a script both importable and executable”
意思就是说让你写的脚本模块既可以导入到别的模块中用，另外该模块自己也可执行。
——来源：https://www.cnblogs.com/alan-babyblog/p/5147770.html

如果模块是被导入，__name__的值为模块名字
如果模块是被直接执行，__name__的值为__main__
——来源：https://www.cnblogs.com/1204guo/p/7966461.html?tdsourcetag=s_pctim_aiomsg