python爬虫实战——爬取猫眼电影TOP100并导入excel表

系列文章目录

python爬虫实战——爬取淘宝商品信息并导入EXCEL表格(超详细).

python多线程爬取壁纸 妈妈再也不担心我没壁纸了!.

python爬虫爬取虎牙数据(简单利用requests库以及Beautifulsoup).

python爬虫之爬取壁纸(新手入门级).

文章目录

  • 系列文章目录
  • 前言
  • 一、解析URL组成
  • 二、利用正则表达式获取所需的数据
    • 2.数据的优化
  • 三、使用selenium模拟网页刷新
  • 四、总体的函数和代码编写
    • 1.获取html内容
    • 2.正则表达式获取信息
    • 3.获取每页的网页链接
    • 4.将信息写入excel表
    • 5.主函数及开头的编写
  • 总结


前言

上一篇博客具体写了正则表达式的基本操作。
所以本文使用re正则库对猫眼电影前100名的电影数据(电影排名,电影名称,电影主演以及电影评分)进行爬取,使用selenium库刷新页面(防止获取页面html失败),最后将数据导入Excel表格。大致思路与上一篇爬取淘宝数据类似
ps:代码只用于学习不用于任何商业用途
最后效果如图所示
python爬虫实战——爬取猫眼电影TOP100并导入excel表_第1张图片


提示:以下是本篇文章正文内容

一、解析URL组成

第一页URL组成为:https://maoyan.com/board/4?offset=0
第二页URL组成为:https://maoyan.com/board/4?offset=10
由此可以得出页面变动的规则在于后面offset的参数

二、利用正则表达式获取所需的数据

打开开发者工具可见下图
python爬虫实战——爬取猫眼电影TOP100并导入excel表_第2张图片
可以得到正则表达式如下(示例):

rank = re.findall(r'
.*?board-index.*?>(.*?)', html, re.S) title = re.findall(r'', html, re.S) star = re.findall(r'(.*?)

'
, html, re.S) score = re.findall(r'p.*?score.*?integer">(.*?).*?fraction.*?(\d).*?

'
, html, re.S)

对于正则表达式不明白的可以参考我的上一篇博客:
python爬虫入门必会的操作—正则表达式(详解).

2.数据的优化

我们得到的star和score数据中,star里有很多空格和换行,所以我们用strip()方法去掉,并用replace()方法将匹配到的主演转为空
同时score得到的数据需要两项加起来
代码如下:

star[i].strip().replace('主演:', ''),
score[i][0] + score[i][1])

三、使用selenium模拟网页刷新

在爬取的途中我发现网站需要刷新才能获得我们所需要的html内容所以我们需要selenium代替我们人工刷新(或者自己手动刷新)
刷新网页代码如下:

from selenium import webdriver
driver = webdriver.Chrome()
driver.maximize_window()
driver.get('https://maoyan.com/board/4?offset=0')
driver.refresh()

四、总体的函数和代码编写

1.获取html内容

def Get_html(url):
    headers = {
     
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; .NET4.0C; .NET4.0E; .NET CLR 2.0.50727; .NET CLR 3.0.30729; .NET CLR 3.5.30729; InfoPath.3; rv:11.0) like Gecko',
    }
    r = requests.get(url, headers=headers)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    return r.text

2.正则表达式获取信息

def Get_Xx(html):
    x = []
    rank = re.findall(r'
.*?board-index.*?>(.*?)', html, re.S) title = re.findall(r'', html, re.S) star = re.findall(r'(.*?)

'
, html, re.S) score = re.findall(r'p.*?score.*?integer">(.*?).*?fraction.*?(\d).*?

'
, html, re.S) for i in range(0, 10): x.append((rank[i], title[i], star[i].strip().replace('主演:', ''), score[i][0] + score[i][1])) return x

3.获取每页的网页链接

def Url_list():
    urls = ['https://maoyan.com/board/4?offset=0']
    for i in range(10, 91, 10):
        url = 'https://maoyan.com/board/4?offset=' + str(i)
        urls.append(url)
    return urls

4.将信息写入excel表

def Write_intoExcel(x):
    global count
    for i in range(len(x)):
        worksheet.write(count + i + 1, 0, x[i][0])
        worksheet.write(count + i + 1, 1, x[i][1])
        worksheet.write(count + i + 1, 2, x[i][2])
        worksheet.write(count + i + 1, 3, x[i][3])
    print(x)
    count = count + len(x)

5.主函数及开头的编写

开头:

import re
import time

import requests
import xlsxwriter
from selenium import webdriver

workbook = xlsxwriter.Workbook('电影.xlsx')
worksheet = workbook.add_worksheet()
worksheet.set_column('A:A', 20)
worksheet.set_column('B:B', 20)
worksheet.set_column('C:C', 70)
worksheet.set_column('D:D', 20)
worksheet.write('A1', '排名')
worksheet.write('B1', '名字')
worksheet.write('C1', '主演')
worksheet.write('D1', '评分')

主函数:

if __name__ == "__main__":
    driver = webdriver.Chrome()
    driver.maximize_window()
    driver.get('https://maoyan.com/board/4?offset=0')
    x = []
    count = 0
    urls = Url_list()
    for url in urls:
        html = Get_html(url)
        x = Get_Xx(html)
        Write_intoExcel(x)
        time.sleep(5) # 这里设置了每5s进行一次页面刷新
        driver.refresh()
    workbook.close()

最后完整代码:


# -*- coding: utf-8 -*-
# @Time    : 2020/11/17 17:00
# @Author  : cc
# @E-mail  : [email protected]
# @Site    : 
# @File    : 猫眼电影.py
# @Software: PyCharm
# 本代码只用于学习!
import re
import time
import requests
import xlsxwriter
from selenium import webdriver

workbook = xlsxwriter.Workbook('电影.xlsx')
worksheet = workbook.add_worksheet()
worksheet.set_column('A:A', 20)
worksheet.set_column('B:B', 20)
worksheet.set_column('C:C', 70)
worksheet.set_column('D:D', 20)
worksheet.write('A1', '排名')
worksheet.write('B1', '名字')
worksheet.write('C1', '主演')
worksheet.write('D1', '评分')


def Get_html(url):
    headers = {
     
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; .NET4.0C; .NET4.0E; .NET CLR 2.0.50727; .NET CLR 3.0.30729; .NET CLR 3.5.30729; InfoPath.3; rv:11.0) like Gecko',
    }
    r = requests.get(url, headers=headers)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    return r.text


def Get_Xx(html):
    x = []
    rank = re.findall(r'
.*?board-index.*?>(.*?)', html, re.S) title = re.findall(r'', html, re.S) star = re.findall(r'(.*?)

'
, html, re.S) score = re.findall(r'p.*?score.*?integer">(.*?).*?fraction.*?(\d).*?

'
, html, re.S) for i in range(0, 10): x.append((rank[i], title[i], star[i].strip().replace('主演:', ''), score[i][0] + score[i][1])) return x def Write_intoExcel(x): global count for i in range(len(x)): worksheet.write(count + i + 1, 0, x[i][0]) worksheet.write(count + i + 1, 1, x[i][1]) worksheet.write(count + i + 1, 2, x[i][2]) worksheet.write(count + i + 1, 3, x[i][3]) print(x) count = count + len(x) def Url_list(): urls = ['https://maoyan.com/board/4?offset=0'] for i in range(10, 91, 10): url = 'https://maoyan.com/board/4?offset=' + str(i) urls.append(url) return urls if __name__ == "__main__": driver = webdriver.Chrome() driver.maximize_window() driver.get('https://maoyan.com/board/4?offset=0') x = [] count = 0 urls = Url_list() for url in urls: html = Get_html(url) x = Get_Xx(html) Write_intoExcel(x) time.sleep(5) driver.refresh() workbook.close()

总结

最后觉得写的好的

python爬虫实战——爬取猫眼电影TOP100并导入excel表_第3张图片

你可能感兴趣的:(爬虫,python)