requests + 正则匹配 猫眼电影

抓取页面: https://maoyan.com/board/4 (猫眼电影 TOP100)

每页有10个电影、总共10页。每页后面会增加一个 ?offset=数字

第一页地址为: https://maoyan.com/board/4

第二页地址为: https://maoyan.com/board/4?offset=10

第十页地址为:https://maoyan.com/board/4?offset=90

需要用到的库

import requests  #发起请求
from requests.exceptions import RequestException   #错误处理
import re    #正则匹配
import json   #导出内容要用
from multiprocessing import Pool   #多进程,可选

整体结构

def get_one_page(url):  #抓取一个页面
def parse_one_page(html):  #获取一个页面内内容(电影信息)
def write_to_file(content): #写入一个文件
def main(offset):  #把上面三个定义串起来
if __name__ == '__main__':  #执行main

获取单个页面

def get_one_page(url):
    try:
        headers = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36'}
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None
  1. 首先定义一个函数
def get_one_page(url):
  1. 错误判断
def get_one_page(url):
    try:
        ...
    except RequestException:
        return None
  1. 传入headers

模拟浏览器,告诉浏览器不是爬虫,这部分可以通过浏览器查看源代码,然后拷贝,注意:拷贝出来的写法不是字典的格式,要改下

headers = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36'}
  1. 加入if 判断状态码,如果是200就正常返回,不是200 就返回 None
response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.text
        return None

获取单页内的内容

def parse_one_page(html):
    pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-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:],  #.strip() 去掉换行符
            'time': item[4].strip()[5:],    #[5:]去掉前面的5个字符,包括冒号
            'score': item[5]+item[6]
        }
  1. 定义一个函数
def parse_one_page(html):
  1. 正则获取单个电影信息
    pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)

其中: re.S 表示匹配所有字符,包括换行符。
每个电影信息都保存在一个

里,我们从里面获取了 排名、名称、图片、导演、时间等信息

  1. 我们把这个正则的规则传入了 pattern 方便复用
  2. items 找到这个页面里面所有的电影信息
  3. item 做一个循环,item 里面的 yield 把单个电影信息给标注出来,并且用字典的形式

以下两种写法效果一样

正则连写

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

分行写

每行用 '...' 包括,另外第二行起要在 '...' 前面加一个 +

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

写入文件

def write_to_file(content):
    with open('rusult.txt', 'a', encoding='utf-8') as f:        f.write(json.dumps(content, ensure_ascii=False) + '\n')
        f.close()
  1. 输出汉字 encoding='utf-8',ensure_ascii=False 如果不是会二进制的方式传入
  2. 要关闭 f.close()

def main(offset) 串起来

  1. url = 'https://maoyan.com/board/4?offset=' + str(offset) 其中 str(offset) 是一个可有可无的。
  2. 然后依次串起来,把 URL 给 html = get_one_page(url)
  3. 把上面的html 传入这个 函数 for item in parse_one_page(html):
  4. 打印 item 也就是单条 电影信息
  5. 写入 item 到文件 write_to_file(item)

if __name__ == '__main__':

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

完整代码

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

def get_one_page(url):
    try:
        headers = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 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>.*?data-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:],  #.strip() 去掉换行符
            'time': item[4].strip()[5:],    #[5:]去掉前面的5个字符,包括冒号
            'score': item[5]+item[6]
        }

def write_to_file(content):
    with open('rusult.txt', 'a', encoding='utf-8') as f:   # 为了输出汉字 encoding='utf-8'
        f.write(json.dumps(content, ensure_ascii=False) + '\n')   #为了输出汉字 ensure_ascii=False
        f.close()


def main(offset):
    url = 'https://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(i*10)

多进程抓取

可以实现秒抓

  • 引入库 from multiprocessing import Pool

  • 修改最后 if __name__ == '__main__':里的内容为如下

    if __name__ == '__main__':
    pool = pool()
    pool.map(main, [i*10 for i in range(10)])

import requests
from requests.exceptions import RequestException
import re
import json
from multiprocessing import Pool

def get_one_page(url):
    try:
        headers = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 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>.*?data-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:],  #.strip() 去掉换行符
            'time': item[4].strip()[5:],    #[5:]去掉前面的5个字符,包括冒号
            'score': item[5]+item[6]
        }

def write_to_file(content):
    with open('rusult.txt', 'a', encoding='utf-8') as f:   # 为了输出汉字 encoding='utf-8'
        f.write(json.dumps(content, ensure_ascii=False) + '\n')   #为了输出汉字 ensure_ascii=False
        f.close()


def main(offset):
    url = 'https://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__':
    pool = Pool()    #  后面的一个Pool 的 P 是大写。
    pool.map(main, [i*10 for i in range(10)])
Comments
Write a Comment