利用requests库和正则表达式爬取猫眼top100的电影信息

爬取目标：https://maoyan.com/board/4?offset=0

一、爬取首页

1 def get_one_page(url):
2         headers = {
3             'User - Agent': 'Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 63.0.3239.132Safari / 537.36'
4         }   #添加user—agent（浏览器信息）
5         response = requests.get(url,headers=headers)  #爬取指定的URL源码
6         if response.status_code == 200:      #如果访问正常，返回网站源码
7             return response.text
8         return None

二、正则提取

正则提取首先要分析网站源代码

需要提取的信息有：排名，图片地址，片名，主演，上映日期和评分

从代码中可以看出，每个影片信息存放在一个<dd></dd>标签中

正则匹配时必须加上class名（class名唯一），非必要内容可用非贪婪匹配.*?，提取内容必须用（.*?）放在括号里，方便后面提取

正则表达式如下：

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

使用compile方法将正则表达式变成正则对象

 1 def parse_one_page(html):
 2     pattern = re.compile(
 3         '<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>',re.S
 4     )
 5     items = re.findall(pattern,html)
 6     # print(items)
 7     for item in items:       #使显示结果清楚明了
 8         yield{
 9             'index':item[0],
10             'image':item[1],
11             'title':item[2].strip(),
12             'actor':item[3].strip()[3:],
13             'time':item[4].strip()[5:],
14             'scroe':item[5].strip()+item[6].strip()
15         }

三、写入文件

使用json库中的dumps()方法实现字典的序列化

1 def write_to_file(content):
2     with open('result.txt','a',encoding='utf-8') as f:
3         print(type(json.dumps(content)))
4         f.write(json.dumps(content,ensure_ascii=False)+'
')     #ensure_ascii设为False，保证输入内容是中文字符而不是Unicode编码

四、整合代码

使用main()方法来实现前面实现的方法

1 def main():
2     url = 'https://maoyan.com/board/4?offset=' 
3     html = get_one_page(url)    #爬取首页
4     for item in parse_one_page(html):     #解析首页，正则提取
5         write_to_file(item)    #写入文件

五、分页爬取

每页的网址：'https://maoyan.com/board/4?offset=' + str(offset)，等号后面为n * 10，n为整数，为零是第一页，为10时，第二页，以此类推
完整代码如下：

 1 import requests
 2 import re
 3 import json
 4 import time
 5 from requests.exceptions import RequestException
 6 
 7 def get_one_page(url):
 8     try:
 9         headers = {
10             'User - Agent': 'Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 63.0.3239.132Safari / 537.36'
11         }
12         response = requests.get(url,headers=headers)
13         if response.status_code == 200:
14             return response.text
15         return None
16     except RequestException:
17         return None
18 
19 def parse_one_page(html):
20     pattern = re.compile(
21         '<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>',re.S
22     )
23     items = re.findall(pattern,html)
24     # print(items)
25     for item in items:
26         yield{
27             'index':item[0],
28             'image':item[1],
29             'title':item[2].strip(),
30             'actor':item[3].strip()[3:],
31             'time':item[4].strip()[5:],
32             'scroe':item[5].strip()+item[6].strip()
33         }
34 
35 def write_to_file(content):
36     with open('result.txt','a',encoding='utf-8') as f:
37         print(type(json.dumps(content)))
38         f.write(json.dumps(content,ensure_ascii=False)+'
')
39 
40 def main(offset):
41     url = 'https://maoyan.com/board/4?offset=' + str(offset)
42     html = get_one_page(url)
43     for item in parse_one_page(html):
44         write_to_file(item)
45 
46 if __name__ == '__main__':
47     for i in range(10):
48         main(offset=i * 10)
49         time.sleep(1)