14.Python爬虫抓取猫眼电影排行榜

本节使用 Python 爬虫抓取猫眼电影网 TOP100 排行榜（https://maoyan.com/board/4）影片信息，包括电影名称、上映时间、主演信息。

在开始编写程序之前，首先要确定页面类型（静态页面或动态页面），其次找出页面的 url 规律，最后通过分析网页元素结构来确定正则表达式，从而提取网页信息。

确定页面类型

点击右键查看页面源码，确定要抓取的数据是否存在于页面内。通过浏览得知要抓取的信息全部存在于源码内，因此该页面输属于静态页面。如下所示：

1. <div class="movie-item-info">
2. <p class="name"><a href="/films/1200486" title="我不是药神" data-act="boarditem-click" data-val="{movieId:1200486}">我不是药神</a></p>
3. <p class="star">
4. 主演：徐峥,周一围,王传君
5. </p>
6. <p class="releasetime">上映时间：2018-07-05</p> </div>

确定url规律

想要确定 url 规律，需要您多浏览几个页面，然后才可以总结出 url 规律，如下所示：

第一页：https://maoyan.com/board/4?offset=0
第二页：https://maoyan.com/board/4?offset=10
第三页：https://maoyan.com/board/4?offset=20
...
第n页：https://maoyan.com/board/4?offset=(n-1)*10

确定正则表达式

通过分析网页元素结构来确定正则表达式，如下所示：

1. <div class="movie-item-info">
2.         <p class="name"><a href="/films/1200486" title="我不是药神" data-act="boarditem-click" data-val="{movieId:1200486}">我不是药神</a></p>
3.         <p class="star">
4.                 主演：徐峥,周一围,王传君
5.         </p>
6. <p class="releasetime">上映时间：2018-07-05</p></div>

使用 Chrome 开发者调试工具来精准定位要抓取信息的元素结构。之所以这样做，是因为这能避免正则表达式的冗余，提高编写正则表达式的速度。正则表达式如下所示：

<div class="movie-item-info">.*?title="(.*?)".*?class="star">(.*?)</p>.*?releasetime">(.*?)</p>

编写正则表达式时将需要提取的信息使用(.*?)代替，而不需要的内容（包括元素标签）使用.*?代替。

编写爬虫程序

下面使用面向对象的方法编写爬虫程序，主要编写四个函数，分别是请求函数、解析函数、保存数据函数、主函数。

1. from urllib import request
2. import re
3. import time
4. import random
5. import csv
6. from ua_info import ua_list
7.  
8. # 定义一个爬虫类
9. class MaoyanSpider(object):
10. # 初始化
11. # 定义初始页面url
12.     def __init__(self):
13.         self.url = 'https://maoyan.com/board/4?offset={}'
14.  
15. # 请求函数
16.     def get_html(self,url):
17.         headers = {'User-Agent':random.choice(ua_list)}
18.         req = request.Request(url=url,headers=headers)
19.         res = request.urlopen(req)
20.         html = res.read().decode()
21.         # 直接调用解析函数
22.         self.parse_html(html)
23.  
24. # 解析函数
25.     def parse_html(self,html):
26. # 正则表达式
27.         re_bds = '<div class="movie-item-info">.*?title="(.*?)".*?<p class="star">(.*?)</p>.*?class="releasetime">(.*?)</p>'
28. # 生成正则表达式对象
29.         pattern = re.compile(re_bds,re.S)
30.         # r_list: [('我不是药神','徐峥,周一围,王传君','2018-07-05'),...] 列表元组
31.         r_list = pattern.findall(html)
32.         self.save_html(r_list)
33.  
34.     # 保存数据函数，使用python内置csv模块
35.     def save_html(self,r_list):
36. #生成文件对象
37.         with open('maoyan.csv','a',newline='',encoding="utf-8") as f:
38. #生成csv操作对象
39.             writer = csv.writer(f)
40. #整理数据
41.             for r in r_list:
42.                 name = r[0].strip()
43.                 star = r[1].strip()[3:]
44.                 # 上映时间：2018-07-05
45. # 切片截取时间
46.                 time = r[2].strip()[5:15]
47.                 L = [name,star,time]
48. # 写入csv文件
49.                 writer.writerow(L)
50.                 print(name,time,star)
51.  
52. # 主函数
53.     def run(self):
54. #抓取第一页数据
55.         for offset in range(0,11,10):
56.             url = self.url.format(offset)
57.             self.get_html(url)
58.             #生成1-2之间的浮点数
59.             time.sleep(random.uniform(1,2))
60.  
61. # 以脚本方式启动
62. if __name__ == '__main__':
63.     #捕捉异常错误
64.     try:
65.         spider = MaoyanSpider()
66.         spider.run()
67.     except Exception as e:
68.         print("错误:",e)

输出结果：

我不是药神 2018-07-05 徐峥,周一围,王传君
肖申克的救赎 1994-09-10 蒂姆·罗宾斯,摩根·弗里曼,鲍勃·冈顿
绿皮书 2019-03-01 维果·莫腾森,马赫沙拉·阿里,琳达·卡德里尼
海上钢琴师 2019-11-15 蒂姆·罗斯,比尔·努恩,克兰伦斯·威廉姆斯三世
小偷家族 2018-08-03 中川雅也,安藤樱,松冈茉优
霸王别姬 1993-07-26 张国荣,张丰毅,巩俐
哪吒之魔童降世 2019-07-26 吕艳婷,囧森瑟夫,瀚墨
美丽人生 2020-01-03 罗伯托·贝尼尼,朱斯蒂诺·杜拉诺,赛尔乔·比尼·布斯特里克
这个杀手不太冷 1994-09-14 让·雷诺,加里·奥德曼,娜塔莉·波特曼
盗梦空间 2010-09-01 莱昂纳多·迪卡普里奥,渡边谦,约瑟夫·高登-莱维特