开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第8天，点击查看活动详情
Requests+正则表达式爬取猫眼电影top100
目标站点分析
在目标网站查看网站源代码，分析需要获取内容包含在哪些标签内。
流程框架
- 抓取单页内容
- 正则表达式
- 保存至文件
- 开启循环及多线程
获取Ajax数据的方式
| 方式 | 优点 | 缺点 |
|---|---|---|
分析接口，用requests获取响应链接 | 直接可以请求到数据，不要要做一些解析工作。代码量少，性能高 | 分析接口比较复杂，特别少通过js混淆的接口，要有一定的js功底，容易被发现是爬虫 |
selenium | 直接模拟浏览器的行为，浏览器能请求到的，使用selenium能请求到，爬虫稳定 | 代码量多，性能低 |
爬虫实战
import requests
import re
import json
from requests.exceptions import RequestException
from multiprocessing import Pool
def get_one_page(url):
try:
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36',
'Referer': 'https://maoyan.com/board/4',
'Origin': 'https://maoyan.com'
}
response = requests.get(url, headers=headers)
response.raise_for_status()
response.encoding = response.apparent_encoding
return response.text
except RequestException:
return None
def parse_one_page(html):
"""
解析猫眼top100第一页源代码
:param html: 猫眼top100第一页源代码
:return: 格式化的电影信息数据
"""
# 编写正则表达式
pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>' # 获取排名
+ '.*?src="(.*?)".*?src="(.*?)"' # 获取图片链接，有两张图要筛选
+ '.*?name"><a.*?>(.*?)</a>' # 获取电影名字
+ '.*?star">(.*?)</p>' # 获取主要演员名字
+ '.*?releasetime">(.*?)</p>' # 获取上映时间
+ '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', # 获取分数
re.S) # 无视换行
# 使用正则获取数据
items = re.findall(pattern, html)
# 格式化数据
# img_url = []
for item in items:
# img_url = img_url.append(item[2])
yield {
'index': item[0],
'image': item[2],
'title': item[3],
'actors': item[4].strip()[3:],
'time': item[5].strip()[5:],
'score': item[6] + item[7]
}
def write_to_file(content):
"""
格式化的电影信息数据写入本地
:param content: 格式化的电影信息数据
:return:
"""
with open('maoyantop100_1.txt', 'a', encoding='utf8') as f:
f.write(json.dumps(content, ensure_ascii=False) + '\n')
def main(offset):
"""
爬取数据，解析数据，写入本地
:param offset: 页码
:return:
"""
url = 'https://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)
if __name__ == '__main__':
# 构造多进程爬取
pool = Pool()
pool.map(main, [i * 10 for i in range(10)])
