Scrapy学习笔记-利用requests库抓取猫眼电影排行

如上图就是猫眼电影排行的网页，网址如下所示：
https://maoyan.com/board/4。我们要利用requests库来抓取该网页中电影的结构化数据。将网页滚动最下方，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。可以发现页面的URL变成了https://maoyan.com/board/4?offset=20，参数offset变成了20，而显示的结构是排行21-30的电影。offset代表偏移量为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。

抓取首页

使用get_one_page方法抓取第一页的内容，并给它传入url参数。然后将抓取的页面结果返回，再通过main方法调用。

import requests
def get_one_page(url):
    headers = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537 . 36'}
    response = requests.get(url, headers=headers)
    if response.status_code == 200:
        return response.text
    return None
def main():
    url = 'http://maoyan.com/board/4'
    html = get_one_page(url)
    print(html)
main()

正则提取

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i mg 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。

def parse_one_page(html):
    pattern = re.compile('<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>',re.S)
    items = re.findall(pattern, html)
    print(items)
    for item in items:
        yield {
            'index':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()
        }

import requests
import re
def get_one_page(url):
    headers = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537 . 36'}
    response = requests.get(url, headers=headers)
    if response.status_code == 200:
        return response.text
    return None
def parse_one_page(html):
    pattern = re.compile('<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>',re.S)
    items = re.findall(pattern, html)
    for item in items:
        yield {
            'index':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 main():
    url = 'http://maoyan.com/board/4'
    html = get_one_page(url)
    for item in parse_one_page(html):
        print(item['title'])
    
main()

分页爬取

们需要抓取的是TOPIOO 的电影，所以还需要遍历一下，给这个链接传入offset 参数， 实现其他90 部电影的爬取， 此时添加如下调用即可：

import requests
from requests.exceptions import RequestException
import re
import json
import time
def get_one_page(url):
    try:
        headers = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537 . 36'}
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None
def parse_one_page(html):
    pattern = re.compile('<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>',re.S)
    items = re.findall(pattern, html)
    for item in items:
        yield {
            'index':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(context):
    with open('result.txt','a',encoding='utf-8') as f:
        f.write(json.dumps(context,ensure_ascii=False)+'\n')
def main(offset):
    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)