Python3 爬虫实战 — 猫眼电影TOP100
- 爬取时间：2019-09-23
- 爬取难度：★☆☆☆☆☆
- 请求链接：https://maoyan.com/board/4
- 爬取目标：猫眼电影 TOP100 的电影名称、排名、主演、上映时间、评分、封面图地址，数据保存为 CSV 文件
- 涉及知识：请求库 requests、解析库 lxml、Xpath 语法、CSV 文件储存
- 完整代码：https://github.com/TRHX/Python3-Spider-Practice/tree/master/maoyan-top100
- 其他爬虫实战代码合集（持续更新）：https://github.com/TRHX/Python3-Spider-Practice
- 爬虫实战专栏（持续更新）：https://itrhx.blog.csdn.net/article/category/9351278
【1x00】循环爬取网页模块
观察猫眼电影TOP100榜，请求地址为：https://maoyan.com/board/4
每页展示10条电影信息，翻页观察 url 变化：
第一页：https://maoyan.com/board/4
第二页：https://maoyan.com/board/4?offset=10
第三页：https://maoyan.com/board/4?offset=20
一共有10页，利用一个 for 循环，从 0 到 100 每隔 10 取一个值拼接到 url，实现循环爬取每一页
def index_page(number):
url = 'https://maoyan.com/board/4?offset=%s' % number
response = requests.get(url=url, headers=headers)
return response.text
if __name__ == '__main__':
for i in range(0, 100, 10):
index = index_page(i)
【2x00】解析模块
定义一个页面解析函数 parse_page()，使用 lxml 解析库的 Xpath 方法依次提取电影排名（ranking）、电影名称（movie_name）、主演（performer）、上映时间（releasetime）、评分（score）、电影封面图 url（movie_img）
通过对主演部分的提取发现有多余的空格符和换行符，循环 performer 列表，使用 strip() 方法去除字符串头尾空格和换行符
电影评分分为整数部分和小数部分，依次提取两部分，循环遍历组成一个完整的评分
最后使用 zip() 函数，将所有提取的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表
def parse_page(content):
tree = etree.HTML(content)
# 电影排名
ranking = tree.xpath("//dd/i/text()")
# 电影名称
movie_name = tree.xpath('//p[@class="name"]/a/text()')
# 主演
performer = tree.xpath("//p[@class='star']/text()")
performer = [p.strip() for p in performer]
# 上映时间
releasetime = tree.xpath('//p[@class="releasetime"]/text()')
# 评分
score1 = tree.xpath('//p[@class="score"]/i[@class="integer"]/text()')
score2 = tree.xpath('//p[@class="score"]/i[@class="fraction"]/text()')
score = [score1[i] + score2[i] for i in range(min(len(score1), len(score2)))]
# 电影封面图
movie_img = tree.xpath('//img[@class="board-img"]/@data-src')
return zip(ranking, movie_name, performer, releasetime, score, movie_img)
【3x00】数据储存模块
定义一个 save_results() 函数，将所有数据保存到 maoyan.csv 文件
def save_results(result):
with open('maoyan.csv', 'a') as fp:
writer = csv.writer(fp)
writer.writerow(result)
【4x00】完整代码
# ==========================
# --*-- coding: utf-8 --*--
# @Time : 2019-09-23
# @Author : TRHX
# @Blog : www.itrhx.com
# @FileName: maoyan.py
# @Software: PyCharm
# ==========================
import requests
from lxml import etree
import csv
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
}
def index_page(number):
url = 'https://maoyan.com/board/4?offset=%s' % number
response = requests.get(url=url, headers=headers)
return response.text
def parse_page(content):
tree = etree.HTML(content)
# 电影排名
ranking = tree.xpath("//dd/i/text()")
# 电影名称
movie_name = tree.xpath('//p[@class="name"]/a/text()')
# 主演
performer = tree.xpath("//p[@class='star']/text()")
performer = [p.strip() for p in performer]
# 上映时间
releasetime = tree.xpath('//p[@class="releasetime"]/text()')
# 评分
score1 = tree.xpath('//p[@class="score"]/i[@class="integer"]/text()')
score2 = tree.xpath('//p[@class="score"]/i[@class="fraction"]/text()')
score = [score1[i] + score2[i] for i in range(min(len(score1), len(score2)))]
# 电影封面图
movie_img = tree.xpath('//img[@class="board-img"]/@data-src')
return zip(ranking, movie_name, performer, releasetime, score, movie_img)
def save_results(result):
with open('maoyan.csv', 'a') as fp:
writer = csv.writer(fp)
writer.writerow(result)
if __name__ == '__main__':
print('开始爬取数据...')
for i in range(0, 100, 10):
index = index_page(i)
results = parse_page(index)
for i in results:
save_results(i)
print('数据爬取完毕！！')
【4x00】数据截图
