主要步骤有：
访问网站，获取页面源码
解析页面，得到想要的数据
循环爬取多个页面
把数据写入本地文件
1. 分析需要爬取的页面结构
访问猫眼电影。观察页面，会看到首页上有排名前十的电影信息。
找到页面中的分页，点击不同的页码。对比不同页面url的差别，会发现不同的分页是以offset参数作为区分的。
因为每个页面都显示10条电影信息，所以offset是以10作为偏移量的。所以第1页的offset=0，第2页的offset=10，第3页的offset=20，后面的页面也是以此类推。
2. 抓取首页
2.1 获取首页的源码
首先定义一个方法，请求页面，并获得页面源码：
import requests
from requests.exceptions import RequestException
headers = {'user-agent':'mozilla/5.0'}
def get_one_page(url):
try:
response = requests.get(url, headers=headers)
if response.status_code == 200:
return response.text
return None
except RequestException:
return None
def main():
url = 'https://maoyan.com/board/4'
html = get_one_page(url)
print(html)
if __name__ == '__main__':
main()
在打印结果中，可以看到页面的源码已经返回。
获取到的源码中，有很多的信息不是我们需要的，这时候，需要把有用的信息提取出来。
2.2 使用正则提取信息
使用谷歌浏览器的开发者工具查看页面的源代码，可以发现我们需要的信息都包含在标签中。
排名信息包含在class为board-index的i标签中；
片名信息包含在class为name的p标签内的a标签中；
主演姓名包含在class为star的p标签中；
上映日期包含在class为releasetime的p标签中；
评分分别包含在class为integer和fraction的i标签中；
电影封面图在class为board-img的img的src属性中；
因此，可以写一个正则表达式来提取一个电影的上述信息:
pattern = re.compile('.*?board-index.*?>(\d+).*?data-src="(.*?)".*?name.*?(.*?)'
'.*?star">(.*?).*?releasetime">(.*?).*?score.*?'
'integer">(.*?).*?fraction">(.*?).*? ', re.S)
items = re.findall(pattern, html)
把上面的正则表达式加入到代码中：
import re
import requests
from requests.exceptions import RequestException
headers = {'user-agent':'mozilla/5.0'}
def get_one_page(url):
try:
response = requests.get(url, headers=headers)
if response.status_code == 200:
return response.text
return None
except RequestException:
return None
def parse_one_page(html):
pattern = re.compile('.*?board-index.*?>(\d+).*?data-src="(.*?)".*?name.*?(.*?)'
'.*?star">(.*?).*?releasetime">(.*?).*?score.*?'
'integer">(.*?).*?fraction">(.*?).*? ', re.S)
items = re.findall(pattern, html)
print(items)
def main():
url = 'https://maoyan.com/board/4'
html = get_one_page(url)
print(html)
parse_one_page(html)
if __name__ == '__main__':
main()
下面就是见证奇迹的时刻：
可以看到，上面的输出结果可读性不是很好，把方法parse_one_page改进如下：
def parse_one_page(html):
pattern = re.compile('.*?board-index.*?>(\d+).*?data-src="(.*?)".*?name.*?(.*?)'
'.*?star">(.*?).*?releasetime">(.*?).*?score.*?'
'integer">(.*?).*?fraction">(.*?).*? ', re.S)
items = re.findall(pattern, html)
for item in items:
yield {
'index':item[0],
'image':item[1],
'title':item[2],
'actor':item[3].strip()[3:],
'time':item[4].strip()[5:],
'score':item[5]+item[6]
}
至此，单页的电影信息已经获取完毕。
接着将获取到的信息保存到文本文件中，以供后续的使用。
2.3 写入文件
使用JSON库的dumps()方法实现字典的序列化，并指定ensure_ascii参数为False，这样可以保证输出结果是中文形式，整理代码如下：
import json
import re
import requests
from requests.exceptions import RequestException
headers = {'user-agent':'mozilla/5.0'}
def get_one_page(url):
try:
response = requests.get(url, headers=headers)
if response.status_code == 200:
return response.text
return None
except RequestException:
return None
def parse_one_page(html):
pattern = re.compile('.*?board-index.*?>(\d+).*?data-src="(.*?)".*?name.*?(.*?)'
'.*?star">(.*?).*?releasetime">(.*?).*?score.*?'
'integer">(.*?).*?fraction">(.*?).*? ', re.S)
items = re.findall(pattern, html)
for item in items:
yield {
'index':item[0],
'image':item[1],
'title':item[2],
'actor':item[3].strip()[3:],
'time':item[4].strip()[5:],
'score':item[5]+item[6]
}
def write_to_file(content):
with open('result.text', 'a', encoding='utf-8') as f:
f.write(json.dumps(content, ensure_ascii=False) + '\n')
f.close()
def main():
url = 'https://maoyan.com/board/4'
html = get_one_page(url)
print(html)
parse_one_page(html)
for item in parse_one_page(html):
print(item)
write_to_file(item)
if __name__ == '__main__':
main()
这时候就会发现本地多了一个名为result.txt的文件，打开查看，里面存放了首页排名前10的电影的各个信息。
接下来爬取另外页面的电影信息。
3. 爬取其余页面
爬取其余页面，只需要对应调整url的offset参数即可，改写main方法如下：
def main(offset):
url = 'https://maoyan.com/board/4?offset=' + str(offset)
html = get_one_page(url)
print(html)
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(i * 10)
time.sleep(1)
为了防止过快请求页面，被封，加入一个延时等待，最终代码如下：
import json
import re
import time
import requests
from requests.exceptions import RequestException
headers = {'user-agent':'mozilla/5.0'}
def get_one_page(url):
try:
response = requests.get(url, headers=headers)
if response.status_code == 200:
return response.text
return None
except RequestException:
return None
def parse_one_page(html):
pattern = re.compile('.*?board-index.*?>(\d+).*?data-src="(.*?)".*?name.*?(.*?)'
'.*?star">(.*?).*?releasetime">(.*?).*?score.*?'
'integer">(.*?).*?fraction">(.*?).*? ', re.S)
items = re.findall(pattern, html)
for item in items:
yield {
'index':item[0],
'image':item[1],
'title':item[2],
'actor':item[3].strip()[3:],
'time':item[4].strip()[5:],
'score':item[5]+item[6]
}
def write_to_file(content):
with open('result.text', 'a', encoding='utf-8') as f:
f.write(json.dumps(content, ensure_ascii=False) + '\n')
f.close()
def main(offset):
url = 'https://maoyan.com/board/4?offset=' + str(offset)
html = get_one_page(url)
print(html)
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(i * 10)
time.sleep(1)
查看result.txt，会发现排名前100名的电影信息已经整齐的写入到了文件中。
还有一种多线程的方法更快更高效哦
import requests
from requests.exceptions import RequestException
import re
import json
from multiprocessing import Pool
headers = {'User-Agent':'Mozilla/5.0(Macintosh;Intel Mac OS X 10_11_4)AppleWebKit/537.36(KHTML,like Gecko)Chrome/52.0.2743.116 Safari/537.36'}
#提取单页内容，用try，except方便找bug
def get_one_page(url):
try:
response = requests.get(url, headers=headers)#传入headers参数
if response.status_code == 200:
return response.text
return response.status_code
except RequestException:#捕获这个类型的异常
return None
def parse_one_page(html):#定义一个函数用来解析html代码
#生成一个正则表达式对象
pattern = re.compile('.*?board-index.*?>(\d+).*?data-src="(.*?)".*?name">(.*?).*?star">(.*?).*?releasetime">(.*?)'
+'.*?integer">(.*?).*?fraction">(.*?).*? ',re.S)
items = re.findall(pattern,html)
#items是一个list,其中的每个内容都是一个元组
#将杂乱的信息提取并格式化，变成一个字典形式
for item in items:
yield { #构造一个字典
'index': item[0],
#'image': item[1],
'title': item[2],
'actor': item[3].strip()[3:],#做一个切片，去掉“主演：”这3个字符
'time': item[4].strip()[5:],#做一个切片，去掉“上映时间：”这5个字符
'score': item[5]+item[6]#将小数点前后的数字拼接起来
}
def write_to_file(content):
with open('result.txt','a',encoding='utf-8') as f:
#a表示模式是“追加”；采用utf-8编码可以正常写入汉字
f.write(json.dumps(content, ensure_ascii = False) + '\n')#不允许写入ascii码
#content是一个字典，我们需要转换成字符串形式，注意导入json库
f.close()
def main(offset):
url= 'http://maoyan.com/board/4?offset='+str(offset)#把offset参数以字符串形式添加到url中
html = get_one_page(url)
for item in parse_one_page(html):#item是一个生成器
print(item)
write_to_file(item)
if __name__ == '__main__':
pool = Pool()#创建一个进程池
pool.map(main,[i*10 for i in range(10)])#map方法创建进程（不同参数的main），并放到进程池中
爬取最受欢迎榜
原理还是一样的，只需要确定一下要筛选什么信息（因为这和TOP100略有不同），并且修改一下正则表达式和一些小细节即可。
from multiprocessing.pool import Pool
import requests
import re
import json
from requests.exceptions import RequestException
headers = {
"user-agent":"mozilla/5.0"
}
def get_one_page(url):
try:
response = requests.get(url, headers=headers)
if response.status_code == 200:
return response.text
return None
except RequestException:
return None
def parse_one_page(html):
pattern = re.compile('.*?board-index.*?>(\d+)'
'.*?data-src="(.*?)".*?.*?name.*?(.*?)'
'.*?star">(.*?).*?releasetime"(.*?)'
'.*? ', re.S)
items = re.findall(pattern, html)
for item in items:
yield {
'index':item[0],
'image':item[1],
'title':item[2],
'actor':item[3].strip()[3:],
'time':item[4].strip()[5:]
}
def write_to_file(content):
with open('mayan_hot_top50.text','a',encoding='utf-8') as f:
f.write(json.dumps(content, ensure_ascii=False) + '\n')
f.close()
def main(offset):
url = 'https://maoyan.com/board/6?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__':
pool = Pool()
pool.map(main, [i*10 for i in range(5)])