貓眼電影排行(python學習筆記)

爬取貓眼電影排行

很簡單的一個爬蟲，可以當作爬蟲的入門練習來做

主要用到了以下的庫

import json
import requests
from requests.exceptions import RequestException
import re
import time
           

1.抓取分析

抓取的目标站點為https://maoyan.com/board/4

可以看到排名第一的電影是 活着

将網頁翻到第二頁，可以看到頁面的url發生了變化

變成了https://maoyan.com/board/4?offset=10，比之前的url多了一個參數offset=10

再将頁面翻到第三頁，可以看到url再次發生了變化

參數offset變成了offset=20

由此我們可以推測，offset參數代表的shi偏移量值，如果偏移量為n，則顯示的電影序号就是n+1到n+10，每頁顯示10個，想要獲得TOP100的電影，隻需要分開請求10此即可，offset的參數分别設定為0，10，20…90即可

2.抓取首頁

為了防止網站識别出是爬蟲，要使用使用者代理

def get_one_page(url):
    try:
        headers = {
            'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.125 Safari/537.36'
        }
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None
           

3.正則提取

通過網頁源代碼的分析可以寫出需要提取内容的正規表達式，然後将提取的内容進行存儲

def parse_one_page(html):
    pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?src="(.*?)".*?name"><a'
                         + '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                         + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', 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]
        }
           

4.寫入檔案

将提取的資訊寫入txt檔案中

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

完整代碼

import json
import requests
from requests.exceptions import RequestException
import re
import time


def get_one_page(url):
    try:
        headers = {
            'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.125 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.*?>(\d+)</i>.*?src="(.*?)".*?name"><a'
                         + '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                         + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', 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.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False) + '\n')


def main(offset):
    url = 'http://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(0.01)
           

結果