1.本节目标：
利用requests库和正则表达式来抓取电影TOP100的相关内容，如电影名称、时间、评分、图片信息等，提取的站点URL为：http://maoyan.com/board/4。结果以文件形式保存至电脑。
2.准备工作：
（1）安装requests库。
（2）IDE：pycharm
（3）python3.6
3.抓取分析：
我们需要抓取的目标站点为http://maoyan.com/board/4，打开之后便可以查看到榜单信息，如图3-1所示。
图 3-1 榜单信息
排名第一的电影是霸王别姬，页面中显示的有效信息有影片名称、主演、上映时间、上映地区、评分、图片等信息。
将网页滚动到最下方，可以发现有分页的列表，直接点击第2页，观察页面的URL和内容发生了怎样的变化，如图3-2所示。
图 3-2 页面URL变化
可以发现页面的URL变成http://maoyan.com/board/4?offset=10，比之前的URL多了一个参数，那就是 offset=10，而目前显示的结果是排行11-20名的电影，初步推断这是一个偏移量的参数。再点击下一页，发现页面的URL变成了http://maoyan.com/board/4?offset=20，参数 offset 变成了20，而显示的结果是排行21~30的电影。
由此可以总结出规律，offset代表偏移量值，如果偏移量为n，则显示的电影序号就是n+1到n+10，每页显示10个。所以，如果想获取TOP100电影，只需要分开请求10次，而10次的offset参数分别设置为0、10、20、…90即可，这样获取不同的页面之后，再用正则表达式提取出相关信息，就可以得到TOP100的所有电影信息了。
4.正则表达式 - 提取数据：
（1）使用浏览器访问[http://maoyan.com/board/4]，Ctrl+Shift+i，Network监听组件中查看源代码，如图3-3所示。
源代码
（2）经分析可知：一部电影信息对应的源代码是一个dd节点，我们用正则表达式来提取这里面的一些电影信息。首先，需要提取它的排名信息。而它的排名信息是在class为board-index的i节点内，这里利用非贪婪匹配来提取i节点内的信息，正则表达式写为：
<dd>.*?board-index.*?>(.*?)</i>
随后需要提取电影的图片。可以看到，后面有a节点，其内部有两个img节点。经过检查后发现，第二个img节点的data-src属性是图片的链接。这里提取第二个img节点的data-src属性，正则表达式可以改写如下：
<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)"
再往后，需要提取电影的名称，它在后面的p节点内，class为name。所以，可以用name做一个标志位，然后进一步提取到其内a节点的正文内容，此时正则表达式改写如下：
<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>
再提取主演、发布时间、评分等内容时，都是同样的原理。最后，正则表达式写为：
<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>
这样一个正则表达式可以匹配一个电影的结果，里面匹配了7个信息。接下来，通过调用findall()方法提取出所有的内容。
5.代码实现：
import requests
import re
import json
import time
'''
爬取猫眼网TOP100，url：http://maoyan.com/board/4
使用requests爬取网页，正则表达式提取网页。
'''
def get_one_page(url):
'''
:param url:需要爬取的网页URL
:return: 若response.status_code == 200 ,返回response.text
'''
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36'
}
response = requests.get(url, headers=headers)
if response.status_code == 200:
return response.text
else:
return None
def parse_one_page(html):
# 将正则字符串编译成正则表达式对象pattern
pattern = re.compile(
'<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>',
re.S)
items = re.findall(pattern, html)
# 遍历提取结果并生成字典，形成结构数据化。
for item in items:
yield {
'top': item[0],
'image': item[1],
'title': item[2].strip(),
'actor': item[3].strip()[3:] if len(item[3]) > 3 else '',
'time': item[4].strip()[5:] if len(item[4]) > 5 else '',
'score': item[5].strip() + item[6].strip()
}
def write_to_file(content):
with open('maoyan_top100.txt', 'a', encoding='UTF-8') as f:
# print(type(json.dumps(content)))
# json.dump()实现字典的序列化，并指定ensure_ascii=False，保证输出结果是中文形式而不是Unicode编码
f.write(json.dumps(content, ensure_ascii=False) + '\n')
def main(offset):
'''
调用get_one_page()的函数,并将返回的值传递给parse_one_page()进行数据提取。
'''
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)
if __name__ == '__main__':
for i in range(10):
main(offset=i * 10)
time.sleep(1)
实现效果如下：
效果图
总结：通过抓取猫眼TOP100练习requests和正则表达式的基础用法，掌握如何实现简单的分页数据爬取，同时学会使用文件存储数据。
参考：静觅 » [Python3网络爬虫开发实战] 3.4-抓取猫眼电影排行
注：兴趣所致，我会不时的分享一些爬虫小项目，若读者有更好的建议或是学习爬虫所遇到的问题，可在下方留言，共同探讨，谢谢。
网友评论