(八)Requests+正则表达式爬取猫眼电影Top100(二)

最近更新：2018-02-08

1.目标站点分析
2.页面分析
3."猫眼电影定向爬虫"实例数据解析
4.最终的代码
5.最终显示的结果:
注意:这篇文章的代码时根据Requests+正则表达式爬取猫眼电影Top100(一)以及"淘宝商品信息定向爬虫"实例的代码参考写的,多发散思维,学以致用.

1.目标站点分析

1.1爬取的内容

• 爬取的链接:猫眼电影
• 目标:爬取top100电影中的每一个电影包含排名/电影图片/电影名称/主演/上映时间/评分
• 理解:猫眼翻页的搜索接口,翻页的处理
• 技术路线:requests-re

1.2翻页链接的分析

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

1.3定向爬虫的可行性

作为爬虫要确认猫眼是否允许用户在网页信息上爬取相关信息,因此要查看猫眼的robots协议:
http://maoyan.com/robots.txt

由图片可得到,猫眼允许任何的爬虫可进行爬取.

1.4程序的结构设计

• 步骤一:提交猫眼排名的搜索请求,循环获取页面
• 步骤二:对于每一个页面,提取猫眼电影的排名/电影图片/电影名称/主演/上映时间/评分
• 步骤三将信息输出屏幕并进行保存

2.页面分析

2.1页面源代码

3."猫眼电影定向爬虫"实例数据解析

3.1getHTMLText(url)

getHTMLText这个是获得页面的函数.

def getHTMLText(url):
    try:
        r=requests.get(url,timeout=30)
        r.raise_for_status()
        r.encoding=r.apparent_encoding
        return r.text
    except:
        return ""

3.2parsePage(ilt,html)

getHTMLText解析页面的数据.

def parsePage(ilt,html):
    try:
        indexs=re.findall('<i\s{1}class="board-index.*?>(.*?)</i>',html,re.S)
        images=re.findall('<img\s{1}data-src="(.*?)"\salt.*?/>',html)
        titles=re.findall('<p\sclass="name".*?title.*?>(.*?)</a>',html)
        stars=re.findall('"star">(.*?)</p>',html,re.S)
        releasetimes=re.findall('"releasetime">(.*?)</p>',html,re.S)
        score1s=re.findall('class="integer">(.*?)</i>',html)
        score2s=re.findall('class="fraction">(.*?)</i>',html)
        for i in  range(len(indexs)):
            index=indexs[i]
            image=images[i]
            title=titles[i]
            star=stars[i].strip()[3:]
            releasetime=releasetimes[i][5:]
            score=score1s[i]+score2s[i]
            ilt.append([index,image,title,star,releasetime,score])
    except:
        print("")

• indexs=re.findall('<i\s{1}class="board-index.?>(.?)</i>',html,re.S)
  
• images=re.findall('<img\s{1}data-src="(.?)"\salt.?/>',html)截图一和截图二分别是检查与页面源代码的截图,显示结果不一样,按页面源代码的结果写正则表达式才是这样的.(我也不知道是因为什么原因,有没有大神可以帮忙解决一下)
  
  
• titles=re.findall('<p\sclass="name".?title.?>(.*?)</a>',html)
  

• stars=re.findall('"star">(.*?)</p>',html,re.S)

  
  

• releasetimes=re.findall('"releasetime">(.*?)</p>',html,re.S)

  
  
• score1s=re.findall('class="integer">(.?)</i>',html)
  score2s=re.findall('class="fraction">(.?)</i>',html)
  

•     for i in  range(len(indexs)):
        index=indexs[i]
        image=images[i]
        title=titles[i]
        star=stars[i].strip()[3:]
        releasetime=releasetimes[i][5:]
        score=score1s[i]+score2s[i]
  

1 )index=indexs[i]/image=images[i]/title=titles[i]提取列表的元素
2 )star=stars[i].strip()[3:],如截图,数据里面包含空格,故需要用strip()将空格去掉,而提取的数据是主演:XXX明星,只要求提取XXX明星即可,故从3位置切片,从而是[3:]

3 ) releasetime=releasetimes[i][5:]
理由通2)数据有空格,并将上映时间:这个字符切掉.

4 )score=score1s[i]+score2s[i]

5)ilt.append([index,image,title,star,releasetime,score])

将数据添加到列表

3.3printGoodsList(ilt):

这个是将淘宝信息输入到屏幕上

    tplt="{:3}\t{:20}\t{:16}\t{:10}\t{:10}\t{:6}"
    print(tplt.format("排名","图片","电影名","主演","上映时间","评分"))
    for g in ilt:
        print(tplt.format(g[0],g[1],g[2],g[3],g[4],g[5]))
    print("")

3.4write_to_file(infoList)

是将文件以json格式储存

def write_to_file(infoList):
    with open("result.txt","a",encoding="utf-8") as f:
        f.write(json.dumps(infoList,ensure_ascii=False) + "\n")
        f.close()

3.5main()

这个是主程序,记录程序运行的相关过程

def main():
    start_url='https://maoyan.com/board/4'
    infoList=[]
    i=0
    for i in range(10):
        try:
            url='https://maoyan.com/board/4?offset='+str(10*i)
            html=get_maoyan(url)
            parsePage(infoList,html)
        except:
            continue
    printGoodsList(infoList)
    write_to_file(infoList)

• infoList=[]对输出结果定义一个变量
• 当所有的页面信息解析之后,通过 printGoodsList将信息打印出啦,这里的信息是保持在infoList
• 通过for循环的方式,对每一个页面进行访问.
• get_maoyan获得网页源代码
• parsePage获得页面的解析

4.0最终的代码

import requests
import re
import json

#传入 URL ，通过 requests 库获取其 html 代码
def get_maoyan(url):
    r=requests.get(url)
    r.raise_for_status()
    return r.text

def parsePage(ilt,html):
    try:
        indexs=re.findall('<i\s{1}class="board-index.*?>(.*?)</i>',html,re.S)
        images=re.findall('<img\s{1}data-src="(.*?)"\salt.*?/>',html)
        titles=re.findall('<p\sclass="name".*?title.*?>(.*?)</a>',html)
        stars=re.findall('"star">(.*?)</p>',html,re.S)
        releasetimes=re.findall('"releasetime">(.*?)</p>',html,re.S)
        score1s=re.findall('class="integer">(.*?)</i>',html)
        score2s=re.findall('class="fraction">(.*?)</i>',html)
        for i in  range(len(indexs)):
            index=indexs[i]
            image=images[i]
            title=titles[i]
            star=stars[i].strip()[3:]
            releasetime=releasetimes[i][5:]
            score=score1s[i]+score2s[i]
            ilt.append([index,image,title,star,releasetime,score])
    except:
        print("")

def printGoodsList(ilt):
    tplt="{:3}\t{:20}\t{:16}\t{:10}\t{:10}\t{:6}"
    print(tplt.format("排名","图片","电影名","主演","上映时间","评分"))
    for g in ilt:
        print(tplt.format(g[0],g[1],g[2],g[3],g[4],g[5]))
    print("")

def write_to_file(infoList):
    with open("result.txt","a",encoding="utf-8") as f:
        f.write(json.dumps(infoList,ensure_ascii=False) + "\n")
        f.close()

    
def main():
    start_url='https://maoyan.com/board/4'
    infoList=[]
    i=0
    for i in range(10):
        try:
            url='https://maoyan.com/board/4?offset='+str(10*i)
            html=get_maoyan(url)
            parsePage(infoList,html)
        except:
            continue
    printGoodsList(infoList)
    write_to_file(infoList)
    
if __name__ == '__main__':
    main()

5.0最终显示的结果: