【爬虫】-爬取猫眼TOP100

原文崔庆才《python3网络爬虫实战》

本文为自学记录，如有侵权，请联系删除

 

目标：

熟悉正则表达式，以及爬虫流程

获取猫眼TOP100榜单

 

1、网站分析

目标站点为http://www.manyan.com/board/4，需要获取网站TOP100榜单的影片名称、主演、上映时间、地区、评分等信息都直接显示在network对应的response中，可解析对应的html进行获取。且从第1页到第二页，URL变成http://maoyan.com/board/4?offset=10，比之前多了参数offset=10，对比第2页第3页发现该参数即为翻页参数。

 

2、获取首页

实现步骤：定义get_one_page()方法，传入url参数，将抓取的页面结果返回，通过main()方法调用。

# 首页
import requests

def get_one_page(url):
    # 输入headers信息伪装为浏览器
    headers = {
        'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36'
    }
    response = requests.get(url, headers=headers)
    if response.status_code ==200:
        return response.text
    return None

def main():
    url = 'http://www.maoyan.com/board/4'
    html = get_one_page(url)
    print(html)

main()

　即可把response中的html信息获取下来

 

2、正则提取

一部电影信息对应的源代码是一个dd的节点

html = '''
<dd>
                        <i class="board-index board-index-1">1</i>
    <a href="/films/1203" title="霸王别姬" class="image-link" data-act="boarditem-click" data-val="{movieId:1203}">
      <img src="//s0.meituan.net/bs/?f=myfe/mywww:/image/loading_2.e3d934bf.png" alt="" class="poster-default" />
      <img data-src="https://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c" alt="霸王别姬" class="board-img" />
    </a>
    <div class="board-item-main">
      <div class="board-item-content">
              <div class="movie-item-info">
        <p class="name"><a href="/films/1203" title="霸王别姬" data-act="boarditem-click" data-val="{movieId:1203}">霸王别姬</a></p>
        <p class="star">
                主演：张国荣,张丰毅,巩俐
        </p>
<p class="releasetime">上映时间：1993-01-01</p>    </div>
    <div class="movie-item-number score-num">
<p class="score"><i class="integer">9.</i><i class="fraction">5</i></p>        
    </div>

      </div>
    </div>

                </dd>
'''

　　获取排名信息

import re
result = re.search('<dd>.*?board-index.*?>(.*?)</i>', html, re.S)
print(result.group(1))

　　获取电影图片

tp = re.search('<dd>.*?data-src="(.*?)@.*?c"',html, re.S)

　　获取电影名称

mc = re.search('<dd>.*?name">.*?>(.*?)</a>',html,re.S)

　　获取主演

zy = re.search('<dd>.*?star">(.*?)</p>',html,re.S)

　　获取发布时间

fb = re.search('<dd>.*?releasetime">(.*?)</p>', html ,re.S)

　　获取评分

pf = re.search('<dd>.*?integer">(.*?)</i>.*?fraction">(.*?)</i>',html,re.S)

　　全部链接起来

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

　　 这样一个正则表达式可以匹配一个电影的结果，里面匹配了7个信息，接下来通过findall() 方法提取所有的内容。

def parse_one_page(html):
    # 把正则表达式编译成一个正则表达式对象，方便复用
    pattern = re.compile(
        '<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)@.*?c.*?name">.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>.*?integer">(.*?)</i>.*?fraction">(.*?)</i>',
        re.S
    )
    items = re.findall(pattern, html)
    print(items)
    
def main1():
    html = '''
    <dd>
                            <i class="board-index board-index-1">1</i>
        <a href="/films/1203" title="霸王别姬" class="image-link" data-act="boarditem-click" data-val="{movieId:1203}">
          <img src="//s0.meituan.net/bs/?f=myfe/mywww:/image/loading_2.e3d934bf.png" alt="" class="poster-default" />
          <img data-src="https://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c" alt="霸王别姬" class="board-img" />
        </a>
        <div class="board-item-main">
          <div class="board-item-content">
                  <div class="movie-item-info">
            <p class="name"><a href="/films/1203" title="霸王别姬" data-act="boarditem-click" data-val="{movieId:1203}">霸王别姬</a></p>
            <p class="star">
                    主演：张国荣,张丰毅,巩俐
            </p>
    <p class="releasetime">上映时间：1993-01-01</p>    </div>
        <div class="movie-item-number score-num">
    <p class="score"><i class="integer">9.</i><i class="fraction">5</i></p>        
        </div>

          </div>
        </div>

                    </dd>
    '''
    items = parse_one_page(html)
    print(items)
    
main1()

　　结果

 

3、写入文件

通过JSON库的jumps()实现字典的序列化，并指定ensure_ascii参数为False ,保证输出结果是中文，而不是Unicode编码

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

4、分页爬取

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

5、整合代码

# 抓去首页
import requests
import re
import json
import time
from requests.exceptions import RequestException

def get_one_page(url):
    try:
        headers = {
            'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36'
        }
        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(
        '<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)@.*?c.*?name">.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>.*?integer">(.*?)</i>.*?fraction">(.*?)</i>',
        re.S
    )
    items = re.findall(pattern, html)
    for item in items:
        yield {
            'index':item[0],
            'image':item[1],
            'title':item[2],
            # 去除首尾空格，从第4位开始
            'actor':item[3].strip()[3:],
            'time': item[4].strip()[5:],
            'sorce':item[5]+item[6]
        }

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


def main(offset):
    url = 'http://www.maoyan.com/board/4?offset=' + str(offset)
    html = get_one_page(url)
    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)

　　结果：