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

<dd>.*?board-index.*?>(.*?)</i>

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

<dd>.*?board-index.*?>(.*?)</i>.*?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

<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>

2.6.最后提取主演、发布时间、评分都是以此类推

<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>

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( '<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>', 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( '<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>', 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