python爬虫-利用requests库爬取猫眼电影top100
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了python爬虫-利用requests库爬取猫眼电影top100,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含5524字,纯文字阅读大概需要8分钟。
内容图文
利用requests 库来抓取猫眼电影 TOPl100 的相关内容。
目标站点:https://maoyan.com/board/4
1.抓取首页
定义get_one_page方法,并给他传入url参数
注意:猫眼电影网站有反爬虫措施,设置headers后可以爬取
import requests
headers = {
'Content-Type': 'text/plain; charset=UTF-8',
'Origin': 'https://maoyan.com',
'Referer': 'https://maoyan.com/board/4',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
}
def get_one_page(url, headers):
try:
response = requests.get(url, headers=headers)
if response.status_code == 200:
return response.text
return None
except RequestsException:
return None
def main():
url = "https://maoyan.com/board/4"
html = get_one_page(url, headers)
print(html)
if __name__ == '__main__':
main()
运行发现成功得到源代码
2.正则提取
在这里我们定义def parse_one_page方法
import requests
import re
from requests.exceptions import RequestException
headers = {
'Content-Type': 'text/plain; charset=UTF-8',
'Origin': 'https://maoyan.com',
'Referer': 'https://maoyan.com/board/4',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
}
def get_one_page(url, headers):
try:
response = requests.get(url, headers=headers)
if response.status_code == 200:
return response.text
return None
except RequestsException:
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:],
'time': item[4].strip()[5:],
'score': item[5] + item[6]
}
def main():
url = "https://maoyan.com/board/4"
html = get_one_page(url, headers)
for item in parse_one_page(html):
print(item)
if __name__ == '__main__':
main()
运行结果
3.写入文件
我们将提取的结果写入文件,这里直接写入到一个文本文件中。
import requests
import re
import json
from requests.exceptions import RequestException
headers = {
'Content-Type': 'text/plain; charset=UTF-8',
'Origin': 'https://maoyan.com',
'Referer': 'https://maoyan.com/board/4',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
}
def get_one_page(url, headers):
try:
response = requests.get(url, headers=headers)
if response.status_code == 200:
return response.text
return None
except RequestsException:
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:],
'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')
f.close()
def main():
url = "https://maoyan.com/board/4"
html = get_one_page(url, headers)
for item in parse_one_page(html):
print(item)
write_to_file(item)
if __name__ == '__main__':
main()
发现成功写入文件中
6.分页爬取
上述步骤我们发现以及成功爬取了第一页的电影排名情况,因为我们需要抓取的是 TOP100 的电影,我们还需要实现其他 90 部电影的爬取。
通过对站点的分析,观察页面的 URL 和内容发生 了怎样的变化
**可以发现页面的 URL 变成 https://maoyan.corn/board/4?offset=10,比之前的 URL 多了一个参数,那 就是 offset=10,而目前显示的结果是排行 11~20 名的电影,初步推断这是一个偏移量的参数。 再点 击下一页,发现页面的 URL 变成了 http://maoyan.com/board/4 ? offset=20,参数 offset 变成了 20,而 显示的结果是排行 21-30 的电影。 由此可以总结出规律,offset 代表偏移量值,如果偏移量为 n,则显示的电影序号就是 n+l 到 n+10, 每页显示 10 个。
这里需要将 main()方法修改一下,接收一个 offset 值作为偏移量,然后构造 URL 进行爬取。 代码如下
import requests
import re
import json
from requests.exceptions import RequestException
headers = {
'Content-Type': 'text/plain; charset=UTF-8',
'Origin': 'https://maoyan.com',
'Referer': 'https://maoyan.com/board/4',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36'
}
# 爬取网页源代码
def get_one_page(url, headers):
try:
response = requests.get(url, headers=headers)
if response.status_code == 200:
return response.text
return None
except RequestsException:
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:],
'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')
f.close()
#传入offest参数
def main(offset):
url = "https://maoyan.com/board/4?offset="+str(offset)
html = get_one_page(url, headers)
for item in parse_one_page(html):
print(item)
write_to_file(item)
if __name__ == '__main__':
for i in range(10):
main(i*10)
至此我们便完成了对猫眼电影top100的爬取,电影信息也已全部保存到了文本文件中了。
- 参考:python3网络爬虫开发实战(崔庆华著)
内容总结
以上是互联网集市为您收集整理的python爬虫-利用requests库爬取猫眼电影top100全部内容,希望文章能够帮你解决python爬虫-利用requests库爬取猫眼电影top100所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。