猫眼电影top100抓取

　　

　　初级的爬虫，此处不涉及其他解析工具，用的是正则表达式，因为这个是必须要学的，请求网页用的是requests库。

 

#首先导入json、requests、re、time等模块，此处还用到了异常处理。
import json
import requests
from requests.exceptions import RequestException
import re
import time

#首先定义一个方法，将网页源码的请求头信息加入，此处用到了异常处理机制try和except，判断状态码，200就是响应成功的意思，最后返回响应信息。
def get_one_page(url):
    try:
　　　　 #请求头的信息可以在网页源代码中找到
        headers = {
            'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'
        }
        response = requests.get(url, headers=headers)
　　　　 #此处判断响应的状态码
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None


#这里我们再定义一个方法，这个方法中用到的就是正则表达式，用于匹配你上文中接收到的源码信息，解析出你想要的东西，再加入一个生成器，依次输出得到的结果。
def parse_one_page(html):
　　 #正则表达式匹配，我们首先要定义一个正则匹配的方法，然后下面用到的findall中传入的参数，第一个是我们定义的正则匹配方法，第二个就是我们爬下来的源代码
    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)
　　 #此处是一个生成器
    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]
        }


#我们将匹配好的内容写入文件，ensure_ascii=False用于保证输出的是中文而不是unicode编码。json库的dumps()方法实现字典序列化
def write_to_file(content):
    with open('result.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False) + '\n')


#这里我们可以看到，猫眼电影在翻页的时候，它的url除了最后一个offset在变，前面的都没有变，所以此处可以在url后面加一个offset变量，用于翻页。
def main(offset):
    url = 'http://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)


#由于猫眼电眼的一页只展示10部电影，所以我们要做一个for循环，最后执行。
if __name__ == '__main__':
    for i in range(10):
        main(offset=i * 10)
        time.sleep(1)