本文介绍利用Requests库、multiprocessing库和正则表达式爬取猫眼电影TOP100电影的相关信息，提取出电影名称、上映时间、评分、封面图片等信息，将爬取的内容写入到文件中。站点URL为 http://maoyan.com/board/4
注释：源码视频书籍练习题等资料进群696541369 即可免费获取
准备
本文使用了Requests库，使用pip安装： pip install requests
分析
打开http://maoyan.com/board/4，可以看到榜单信息。如下图所示
排名第一的电影是霸王别姬，可以提取的信息有电影名称、主演、上映时间、评分、封面图等。
点击页面下方的分页列表翻页到第二页，会发现URL会变成，比首页多了个offset=10 参数，而目前显示的是排名11-20的电影，初步判断这是偏移量参数。再点击下一页，URL变成了
https://maoyan.com/board/4?offset=20
offset变成了20，显示的是排名21-30的电影。
由此可见，offset代表偏移量，偏移量为n，则显示的是排名n+1~n+10的电影，每页显示10个电影。所以，想要获取TOP100电影信息，只要分开获取10次，只需把10次请求的URL中offset参数分别设为 0,10,20,30...90即可(首页的offset值为0)。获取到不同的网页后使用正则表达式提取出我们要的信息，就可以得到TOP100电影信息了，可以使用多线程加速爬取。
爬取实现
爬取首页
实现get_page()方法，传入url参数可以将抓取的页面结果返回。以下代码获取首页内容：
import requests
from requests.exceptions import RequestException
def get_page(url):
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
}
response = requests.get(url,headers = headers)
try:
if response.status_code == 200:
return response.text
return None
except RequestException:
print("request error")
return None
def main():
html = get_page('https://maoyan.com/board/4')
print(html)
main()
运行之后就成功获取到了首页的源代码，接下来使用正则表达式进行解析，提取出我们想要的信息。
正则提取
回到浏览器页面，在开发者工具Network监听组件中查看源代码。如图：
值得注意的是这里不是从Elements选项卡里查看的源代码，因为Elements里看到的源代码很有可能经过Javascript处理过从而和原始请求不同，所以要从Network选项卡里查看原始请求得到的源码。
查看此处代码：
不难发现，要爬取的每部电影信息都在<dd>标签里，接下来使用正则表达式提取信息。
首先，提取它的排名信息，它的排名信息在class为board-index的i标签里，使用非贪婪匹配来提取i内的信息，正则表达式可以写为：<dd>.*?board-index.*?>(d+)</i>
接下来提取电影的封面图片。在排名后面的a便签里有两个img便签，经过检查，第二个img是电影的封面图片，正则：.*?data-src="(.*?)"
然后提取电影的名称，它在class为name的<p>便签内，可以使用name作为标志位进一步提取到其内a的文本内容，正则写为：.*?name.*?a.*?>(.*?)</a>
提取主演：.*?star">(.*?)</p>
提取上映时间：.*?releasetime">(.*?)</p>
提取评分：.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>
最后正则表达式写为：
.*?board-index.*?>(d+).*?data-src="(.*?)".*?name.*?a.*?>(.*?).*?star">(.*?).*?releasetime">(.*?).*?integer">(.*?).*?fraction">(.*?).*?
上面的正则表达式可以匹配一个电影，匹配了7条信息，接下来可以通过findall()方法提取所有内容。可以定义一个用来解析页面的方法parse_page()，代码如下：
def parse_page(html):
pattern = re.compile('.*?board-index.*?>(d+).*?data-src="(.*?)".*?name.*?a.*?>(.*?).*?star">(.*?)'
+ '.*?releasetime">(.*?).*?integer">(.*?).*?fraction">(.*?).*?',r.S) #re.S使.能匹配任意字符
items = pattern.findall(str(html))
这样就成功得拿到了一页10个电影的信息，这是一个列表，获取到的结果如下：
[('1', 'https://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c', '霸王别姬', ' 主演：张国荣,张丰毅,巩俐 ', '上映时间：1993-01-01', '9.', '6'), ('2', 'https://p0.meituan.net/movie/283292171619cdfd5b240c8fd093f1eb255670.jpg@160w_220h_1e_1c', '肖申克的救赎', ' 主演：蒂姆·罗宾斯,摩
根·弗里曼,鲍勃·冈顿 ', '上映时间：1994-10-14(美国)', '9.', '5'), ('3', 'https://p0.meituan.net/movie/54617769d96807e4d81804284ffe2a27239007.jpg@160w_220h_1e_1c', '罗
马假日', ' 主演：格利高里·派克,奥黛丽·赫本,埃迪·艾伯特 ', '上映时间：1953-09-02(美国)', '9.', '1'), ('4', 'https://p0.meituan.net/movie/e55ec5d18ccc
83ba7db68caae54f165f95924.jpg@160w_220h_1e_1c', '这个杀手不太冷', ' 主演：让·雷诺,加里·奥德曼,娜塔莉·波特曼 ', '上映时间：1994-09-14(法国)', '9.', '
5'), ('5', 'https://p1.meituan.net/movie/f5a924f362f050881f2b8f82e852747c118515.jpg@160w_220h_1e_1c', '教父', ' 主演：马龙·白兰度,阿尔·帕西诺,詹姆斯·肯恩
', '上映时间：1972-03-24(美国)', '9.', '3'), ('6', 'https://p1.meituan.net/movie/0699ac97c82cf01638aa5023562d6134351277.jpg@160w_220h_1e_1c', '泰坦尼克号', '
主演：莱昂纳多·迪卡普里奥,凯特·温丝莱特,比利·赞恩 ', '上映时间：1998-04-03', '9.', '5'), ('7', 'https://p0.meituan.net/movie/da64660f82b98cdc1b8a3804e69609e04110
8.jpg@160w_220h_1e_1c', '唐伯虎点秋香', ' 主演：周星驰,巩俐,郑佩佩 ', '上映时间：1993-07-01(中国香港)', '9.', '2'), ('8', 'https://p0.meituan.net/movie/b076ce63e9860ecf1ee9839badee5228329384.jpg@160w_220h_1e_1c', '千与千寻', ' 主演：柊瑠美,入野自由,夏木真理 ', '上映时间：2001-07-20(日本)', '9.', '3'), ('9', 'https://p0.meituan.net/movie/46c29a8b8d8424bdda7715e6fd779c66235684.jpg@160w_220h_1e_1c', '魂断蓝桥', ' 主演：费雯·丽,罗伯特·泰勒,露塞尔·沃特森
', '上映时间：1940-05-17(美国)', '9.', '2'), ('10', 'https://p0.meituan.net/movie/230e71d398e0c54730d58dc4bb6e4cca51662.jpg@160w_220h_1e_1c', '乱世佳人', '
主演：费雯·丽,克拉克·盖博,奥利维娅·德哈维兰 ', '上映时间：1939-12-15(美国)', '9.', '1')]
这样的数据看上去很杂乱，使用字典将数据格式化：
for item in items:
yield {
'top':item[0],
'image_src':item[1],
'name':item[2],
'actor':item[3].strip()[3:] if len(item[3]) > 3 else '',
'releasetime':item[4].strip()[5:],
'score':item[5] + item[6]
}
这样就可以获得电影信息的结构化数据了，每个电影的信息都包含在一个字典里。获得的结果如下：
{'top': '1', 'image_src': 'https://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c', 'name': '霸王别姬', 'actor': '张国荣,张丰毅,巩俐', 'releasetime': '1993-01-01', 'score': '9.6'}
{'top': '2', 'image_src': 'https://p0.meituan.net/movie/283292171619cdfd5b240c8fd093f1eb255670.jpg@160w_220h_1e_1c', 'name': '肖申克的救赎', 'actor': '蒂姆·罗宾斯,摩根·弗里曼,鲍勃·冈顿', 'releasetime': '1994-10-14(美国)', 'score': '9.5'}
{'top': '3', 'image_src': 'https://p0.meituan.net/movie/54617769d96807e4d81804284ffe2a27239007.jpg@160w_220h_1e_1c','name': '罗马假日', 'actor': '格利高里·派克,奥黛丽·赫本,埃迪·艾伯特', 'releasetime': '1953-09-02(美国)', 'score': '9.1'}
{'top': '4', 'image_src': 'https://p0.meituan.net/movie/e55ec5d18ccc83ba7db68caae54f165f95924.jpg@160w_220h_1e_1c', 'name': '这个杀手不太冷', 'actor': '让·雷诺,加里·奥德曼,娜塔莉·波特曼', 'releasetime': '1994-09-14(法国)', 'score': '9.5'}
{'top': '5', 'image_src': 'https://p1.meituan.net/movie/f5a924f362f050881f2b8f82e852747c118515.jpg@160w_220h_1e_1c', 'name': '教父', 'actor': '马龙·白兰度,阿尔·帕西诺,詹姆斯·肯恩', 'releasetime': '1972-03-24(美国)', 'score': '9.3'}
{'top': '6', 'image_src': 'https://p1.meituan.net/movie/0699ac97c82cf01638aa5023562d6134351277.jpg@160w_220h_1e_1c', 'name': '泰坦尼克号', 'actor': '莱昂纳多·迪卡普里奥,凯特·温丝莱特,比利·赞恩', 'releasetime': '1998-04-03', 'score': '9.5'}
{'top': '7', 'image_src': 'https://p0.meituan.net/movie/da64660f82b98cdc1b8a3804e69609e041108.jpg@160w_220h_1e_1c', 'name': '唐伯虎点秋香', 'actor': '周星驰,巩俐,郑佩佩', 'releasetime': '1993-07-01(中国香港)', 'score': '9.2'}
{'top': '8', 'image_src': 'https://p0.meituan.net/movie/b076ce63e9860ecf1ee9839badee5228329384.jpg@160w_220h_1e_1c', 'name': '千与千寻', 'actor': '柊瑠美,入野自由,夏木真理', 'releasetime': '2001-07-20(日本)', 'score': '9.3'}
{'top': '9', 'image_src': 'https://p0.meituan.net/movie/46c29a8b8d8424bdda7715e6fd779c66235684.jpg@160w_220h_1e_1c', 'name': '魂断蓝桥', 'actor': '费雯·丽,罗伯特·泰勒,露塞尔·沃特森', 'releasetime': '1940-05-17(美国)', 'score': '9.2'}
{'top': '10', 'image_src': 'https://p0.meituan.net/movie/230e71d398e0c54730d58dc4bb6e4cca51662.jpg@160w_220h_1e_1c', 'name': '乱世佳人', 'actor': '费雯·丽,克拉克·盖博,奥利维娅·德哈维兰', 'releasetime': '1939-12-15(美国)', 'score': '9.1'}
写入文件
得到数据后最后将数据保存到文件，通过JOSN库的dumps()方法可以实现字典的序列化。因为这里要处理中文，将ensure_ascii参数设为False就可以保证输出结果是中文形式而不是Unicode编码。代码如下：
def write_to_file(content):
with open('result.txt','a',encoding='utf-8') as f:
f.write(json.dumps(content,ensure_ascii = False) + '')
f.close()
其中open()指定写入方式为a尾部写入，这是因为此时是for循环写入数据，如果用w写入只会保留最后一组的数据。或者在这之前打开文件，等写入完数据后再关闭也可以。
通过调用write_to_file()方法即可实现将字典写入到文本文件的过程。
main方法
实现main()方法接收一个offset值作为偏移量，然后构造URL进行爬取。代码如下：
def main(offset):
url = "http://maoyan.com/board/4?offset=" + str(offset)
html = get_page(url)
for item in parse_page(html):
print(item)
write_of_file(item)
多线程分页爬取
上面实现了给main()传入一个offset值爬取单页10个电影的数据，接下来使用多线程来抓取整个TOP100的电影数据。
from multiprocessing import Pool # 引入多线程模块
if __name__ == '__main__':
#创建线程池
pool = Pool()
# pool.map第一个参数是函数，第二个参数是传递给函数的参数
pool.map(main,[i*10 for i in range(10)])
Pool.map()函数第一个参数是函数，第二个参数是传递给函数的参数，在上面代码中是一个迭代器，将迭代器中的数字作为参数依次传入函数中。
注意：使用多线程爬取会导致最后写入到文件内的电影数据(top值)是乱序的，如需保证爬取到的电影信息写入到文件是按照top值排序的，放弃多线程将代码改为:
import time #引入时间模块
if __name__ == '__main__':
for i in range(10):
main(offset=i * 10)
time.sleep(1)
为突破猫眼反爬虫机制（速度过快会无响应），上面代码增加了一个延时等待。
大功告成！完整代码如下：
import requests
import re
import time
import json
from requests.exceptions import RequestException
from multiprocessing import Pool
def get_page(url):
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
}
response = requests.get(url,headers = headers)
try:
if response.status_code == 200:
return response.text
return None
except RequestException:
print("request error")
return None
def parse_page(html):
pattern = re.compile('.*?board-index.*?>(d+).*?data-src="(.*?)".*?name.*?a.*?>(.*?).*?star">(.*?)'
+ '.*?releasetime">(.*?).*?integer">(.*?).*?fraction">(.*?).*?',re.S) #re.S使.能匹配任意字符
items = pattern.findall(str(html))
for item in items:
yield {
'top':item[0],
'image_src':item[1],
'name':item[2],
'actor':item[3].strip()[3:] if len(item[3]) > 3 else '',
'releasetime':item[4].strip()[5:],
'score':item[5] + item[6]
}
def write_to_file(content):
with open('result.txt','a',encoding='utf-8') as f:
f.write(json.dumps(content,ensure_ascii = False) + '')
f.close()
def main(offset):
url = "http://maoyan.com/board/4?offset=" + str(offset)
html = get_page(url)
for item in parse_page(html):
print(item)
write_to_file(item)
# 如需保证电影顺序，则放弃使用多线程
# if __name__ == '__main__':
# for i in range(10):
# main(offset=i * 10)
# time.sleep(1)
if __name__ == '__main__':
pool = Pool()
pool.map(main,[i*10 for i in range(10)])
网友评论