猫眼电影的各种爬取方法

按理说这篇随笔上周就要写的，可用 request 一直获取不到详情页信息，这天在网上看到一个说法，说是在 requests.get 后加个 headers 就好了，试了试果然可以实现，于是重新回顾一下，正好对 pyquery 的使用方法理解的差不多了，今天用三种方法分别介绍一下猫眼电影的爬取。

一般爬猫眼电影有两种方法，一种就像我前段时间写的豆瓣电影爬取方法一样，可以只获取全部电影所在的详情页内容，然后利用 正则表达式 一个一个提取，另一种就是先获取全部电影所在的详情页内容，在分别获取每个电影对应的详情页内容，再利用 正则表达式 或 pyquery 获取。

方法一：只获取全部电影所在的详情页内容

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

def get_one_page(url):           # 获取网页的 URL
    try:
        headers = {
            'user-agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
        } # 加上headers，网站认为是浏览器访问，就能爬取猫眼电影
        response = requests.get(url,headers = headers)
        if response.status_code == 200:    # 得到网页的响应
            return response.text
        return None
    except RequestException:
        return None

def parse_one_page(html):         # 提取出，‘序列号’，‘电影标题’，‘上映时间’，‘评分’
    pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?<a.*?title="(.*?)".*?'
                         +'<p.*?releasetime">(.*?)</p>.*?<i.*?integer">(.*?)</i>'
                         +'.*?fraction">(.*?)</i>.*?</dd>',re.S)
    items = re.findall(pattern, html)
    for item in items:
        yield{
            'index':item[0],
            'title':item[1],
            'releasetime':item[2].strip()[5:], # str.strip()就是把这个字符串头和尾的空格，以及位于头尾的\n \t之类给删掉
            'score':item[3]+item[4]
        }

def write_to_file(content):       # 把提取出来的信息写到文件夹
    with open('result.txt','a',encoding='utf8')as f:
        f.write(json.dumps(content,ensure_ascii=False)+'\n')
        f.close()

def main(offset):
    url = 'http://maoyan.com/board/4?offset=' + str(offset)  # 共提取10个网页内容
    html = get_one_page(url)     # 每个网页对应的信息代码
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)

if __name__ == '__main__':
    pool = Pool()
    pool.map(main,[i*10 for i in range(10)])
    # for i in range(10):
    #     main(i*10)    #for 循环比多进程运行慢，但得到的结果是顺序排列的

尤其要讲一下

items = re.findall(pattern, html)

for item in items：

yield{

   'index':item[0],
   'title':item[1],
   'releasetime':item[2].strip()[5:], # str.strip()就是把这个字符串头和尾的空格，以及位于头尾的\n \t之类给删掉
   'score':item[3]+item[4]

}

items是一个字典，里面包含了10个 list ,每个item代表一个 list ，包含一部电影的详细内容， yield 返回的内容必须是 item[0]，不能是 items[0]。

 

方法二：先获取全部电影所在的详情页内容，在分别获取每个电影对应的详情页内容

通过观察发现，html 里 有一个 href="/films/1203"，刚好对应第二层详情页的 url ，通过正则表达式提取出来，再拼接成字符串，最后经过

get_page_detail(item) 获取该页内容，最后再通过 pyquery 进行内容爬取，代码如下：

import requests
from requests.exceptions import RequestException
from multiprocessing import Pool
from pyquery import PyQuery as pq
import re
import json

def get_page_index(offset):
    try:
        url = 'http://maoyan.com/board/4?offset=' + str(offset)  # 共提取10个网页内容
        headers = {
            'user-agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
        } # 加上headers，网站认为是浏览器访问，就能爬取猫眼电影
        response = requests.get(url,headers = headers)
        if response.status_code == 200:    # 得到网页的响应
            return response.text
        return None
    except RequestException:
        return None

def parse_page_index(html):   # 获取页面的url
    pattern = re.compile('.*?<dd>.*?<a.*?="(.*?)".*?</a>.*?</dd>',re.S)
    items = re.findall(pattern, html)
    for i in range(10):
        yield(items[i])

def get_page_detail(item):
    try:
        url = 'http://maoyan.com' + str(item)  # 共提取10个网页内容
        headers = {
            'user-agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
        } # 加上headers，网站认为是浏览器访问，就能爬取猫眼电影
        response = requests.get(url,headers = headers)
        if response.status_code == 200:    # 得到网页的响应
            return response.text
        return None
    except RequestException:
        return None

def parse_page_detail(html):
    doc = pq(html)
    title = doc('.movie-brief-container > h3').text()
    score = doc('.movie-stats-container > div:nth-child(1) > div > span > span').text()
    introduce = doc('.active > div:nth-child(1) > div.mod-content > span').text()
    return{
        'title':title,
        'score':score,
    }

def write_to_file(content):       # 把提取出来的信息写到文件夹
    with open('result.txt','a',encoding='utf8')as f:
        f.write(json.dumps(content,ensure_ascii=False)+'\n')
        f.close()

def main(offset):
    html = get_page_index(offset)     # 每个网页对应的信息代码
    for item in parse_page_index(html):
        html = get_page_detail(item)
        if html:
            result = parse_page_detail(html)
            write_to_file(result)
            print(result)

if __name__ == '__main__':
    # pool = Pool()
    # pool.map(main,[i*10 for i in range(10)])
    for i in range(10):
        main(i*10)    # for循环比多进程运行慢，但得到的结果是顺序排列的

得分 score 得到的结果不是，应该是编码转换问题，有待进一步解决。