(爬取猫眼电影TOP100的电影信息（含图片、评分等）)

---

让我们直接进入正题

对猫眼电影的网站进行分析

其链接为：https://maoyan.com/board/4?

1.导入需要的库

本次爬取任务主要依赖于python的requests、beautifulsoup等相关库，如果没有，可以使用pip命令安装

import requests
import re
import time
from bs4 import BeautifulSoup
import pandas as pd

2.获取页面

使用requests的get方法拿到相关的html内容：

def get_page(url,headers):
    html=requests.get(url,headers=headers)
    if html.status_code==200:
        html.encoding=html.apparent_encoding
        return html.text
    else:
        return None

定义函数，url表示目标链接，header表示请求头，如果没有请求头，可能会请求失败，可以在自己的浏览器中查看自己浏览器的headers。 以谷歌Chrome浏览器为例，右键点击‘检查’，选择右上角的Network选项，找到All选项并刷新页面，即可得到自己的headers

---

3.分析页面

先用bs解析页面，再使用re库正则匹配需要的内容

def get_data():
    #创建空列表存贮相关的内容
    name_box,link_box,actor_box,time_box,score_box=[],[],[],[],[]

    for i in range(10):
        #设定初始url
        url_score='https://maoyan.com/board/4?'

        #设定headers，url和headers两个参数用于调用上面的get_page()
        headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.87 Safari/537.36',
            }

        #观察目标链接，设定每个单独页的url
        url=url_score+'offset='+str(i*10)

        #调用get_page()
        html=get_page(url,headers)

        #使用bs解析html的内容
        bs=BeautifulSoup(html,'html.parser')

        #其中图片链接被放在‘image-link’的标签里，电影名称被放在‘name’的标签里
        pic=bs.find_all(class_='image-link')
        name=bs.find_all(class_='name')

        #正则表达式匹配
        movies=re.compile('data-src="(.*?)"/>')
        pic_links=re.findall(movies,str(pic))
        for link in pic_links:
            link=str(link)
            link_box.append(link)
        name_list=re.findall('href="/films/.*?">(.*?)
',str(name))
        for name in name_list:
            name_box.append(name)
        actor=bs.find_all(class_='star')
        actors_list=re.sub('/n','',str(actor))
        actors_list=re.findall('
',str(actor),re.S)
        for actor in actors_list:
            re.sub('[\n]', '', actor)
            actor_box.append(actor)
        releasetime=bs.find_all(class_='releasetime')
        time_list=re.findall('class="releasetime">(.*?)
',str(releasetime))
        for times in time_list:
            time_box.append(time)
        score=bs.find_all(class_='score')
        integers=re.findall('(.*?)',str(score))
        fractions=re.findall('(.*?)',str(score))
        for j in range(len(integers)):
            score=str(integers[j])+str(fractions[j])
            score_box.append(score)

        
        print('第{}页爬取成功'.format(i+1))
        print('{}/10'.format(i+1))

        #设置访问间隔，防止短时间多次访问导致出现验证的情况
        time.sleep(1)
        print('------------')
    
    #返回列表里的内容
    return name_box,link_box,actor_box,time_box,score_box

4.保存文件

def main():
    #调用get_data()，返回几个列表
    name_box,link_box,actor_box,time_box,score_box=get_data()

    #利用pandas中的to_csv方法存放数据，也可以用to_excel方法
    datas=pd.DataFrame({'电影':name_box,'链接':link_box,'演员':actor_box,'评分':score_box})
    try:
        #设置本地保存路径
        datas.to_csv('机器学习\爬虫\maoyan_TOP100.csv',encoding='utf_8_sig')
        print('保存成功')
    except:
        print('保存失败')
    try:
        for link in link_box:
            s=requests.get(link).content
            #电影封面图片爬取
            with open('机器学习\爬虫\pic\img{:s}.jpg'.format(str(time.time())),'wb') as f:
                f.write(s)
        print('爬取图片成功')
    except:
        print("爬取失败")

全部代码

import requests
import re
import time
from bs4 import BeautifulSoup
import pandas as pd

#定义函数，url表示目标链接，header表示请求头
def get_page(url,headers):
    html=requests.get(url,headers=headers)
    if html.status_code==200:
        html.encoding=html.apparent_encoding
        return html.text
    else:
        return None


def get_data():

    #创建空列表存贮相关的内容
    name_box,link_box,actor_box,time_box,score_box=[],[],[],[],[]

    for i in range(10):
        #设定初始url
        url_score='https://maoyan.com/board/4?'

        #设定headers，url和headers两个参数用于调用上面的get_page()
        headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.87 Safari/537.36',
            }

        #观察目标链接，设定每个单独页的url
        url=url_score+'offset='+str(i*10)

        #调用get_page()
        html=get_page(url,headers)

        #使用bs解析html的内容
        bs=BeautifulSoup(html,'html.parser')

        #其中图片链接被放在‘image-link’的标签里，电影名称被放在‘name’的标签里
        pic=bs.find_all(class_='image-link')
        name=bs.find_all(class_='name')

        #正则表达式匹配
        movies=re.compile('data-src="(.*?)"/>')
        pic_links=re.findall(movies,str(pic))
        for link in pic_links:
            link=str(link)
            link_box.append(link)
        name_list=re.findall('href="/films/.*?">(.*?)
',str(name))
        for name in name_list:
            name_box.append(name)
        actor=bs.find_all(class_='star')
        actors_list=re.sub('/n','',str(actor))
        actors_list=re.findall('
',str(actor),re.S)
        for actor in actors_list:
            re.sub('[\n]', '', actor)
            actor_box.append(actor)
        releasetime=bs.find_all(class_='releasetime')
        time_list=re.findall('class="releasetime">(.*?)
',str(releasetime))
        for times in time_list:
            time_box.append(time)
        score=bs.find_all(class_='score')
        integers=re.findall('(.*?)',str(score))
        fractions=re.findall('(.*?)',str(score))
        for j in range(len(integers)):
            score=str(integers[j])+str(fractions[j])
            score_box.append(score)

        
        print('第{}页爬取成功'.format(i+1))
        print('{}/10'.format(i+1))

        #设置访问间隔，防止短时间多次访问导致出现验证的情况
        time.sleep(1)
        print('------------')
    
    #返回列表里的内容
    return name_box,link_box,actor_box,time_box,score_box


def main():
    #调用get_data()，返回几个列表
    name_box,link_box,actor_box,time_box,score_box=get_data()

    #利用pandas中的to_csv方法存放数据，也可以用to_excel方法
    datas=pd.DataFrame({'电影':name_box,'链接':link_box,'演员':actor_box,'评分':score_box})
    try:
        #设置本地保存路径
        datas.to_csv('机器学习\爬虫\maoyan_TOP100.csv',encoding='utf_8_sig')
        print('保存成功')
    except:
        print('保存失败')
    try:
        for link in link_box:
            s=requests.get(link).content
            #电影封面图片爬取
            with open('机器学习\爬虫\pic\img{:s}.jpg'.format(str(time.time())),'wb') as f:
                f.write(s)
        print('爬取图片成功')
    except:
        print("爬取失败")


if __name__ == "__main__":
    main()

第一次在CSDN上写东西，如有错误，请多多指正！