抓取猫眼电影排行

柔情只为你懂 2022-02-14 04:11 272阅读 0赞

## 抓取首页 ##

首先我们定义一个get\_one\_page方法，来获取首页（http://maoyan.com/board/4 ）的源代码。获取源代码之后，解析页面，提取出我们所需要的信息。  
大致思路：构造headers头，判断目标网站的响应状态码是否是200，然后通过requests库的get方法抓取源代码。

## 正则提取 ##

注意点：Elements选项中的源码可能经过JS操作而与原始请求不同，需要从Network中查看。  
可以看到一部电影信息对应源代码的一个dd节点

正则提取的具体实现

pattern = re.compile('<dd>.*?board-index.*?>(\d+).*?data-src="(.*?)".*?name"><a'
 + '.*?>(.*?)</a>.*?star">(.*?).*?releasetime">(.*?)'
 + '.*?integer">(.*?).*?fraction">(.*?).*?</dd>', re.S)
 items = re.findall(pattern, html)

方法：  
re.compile()：将正则字符串编译成正则表达式对象，以便在后面的匹配中重复使用。  
re.finall()：该方法会搜索整个字符串，然后返回匹配正则表达式的所有内容。  
修饰符：  
re.S：使.匹配包括换行在内的所有字符。

## 处理匹配结果 ##

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]
            }

这里的yield是一个关键字，大致解释如下：  
如果一个函数包含 yield 表达式，那么它是一个生成器函数；调用它会返回一个特殊的迭代器，称为生成器。  
因为介绍yield这个关键字需要一个单独的篇幅，具体解析请移步我的另一篇文章：https://www.minghaohao.cn/index.php/archives/46/

## 写入文件 ##

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

dumps()：实现字典的序列化。

## 分页爬取 ##

给我们的链接传入offset参数，这里要能够发现随着我们向后翻页，豆瓣榜单的url也在变化：  
http://maoyan.com/4?offset=10 → http://maoyan.com/4?offset=20

for i in range(10):
            main(offset=i * 10)

## 源代码 ##

整合思路，源代码如下：

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 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) '
 'Chrome/65.0.3325.162 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+).*?data-src="(.*?)".*?name"><a'
 + '.*?>(.*?)</a>.*?star">(.*?).*?releasetime">(.*?)'
 + '.*?integer">(.*?).*?fraction">(.*?).*?</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(1)