经典爬虫学习（二）-猫眼电影排行爬取

本案例也是一个经典的request模块信息爬取的案例，在本项目中实现了页面的跳转，读者可以自行审查网页学习，最终形成了txt格式的详细信息。

import json
import requests
from requests.exceptions import RequestException
import re
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 #返回str类型的页面内容
        return None #访问失败直接结束
    except RequestException:
        return None #报错直接结束


def parse_one_page(html):
    pattern = re.compile('<dd>.*?board-index.*?>(\d+)</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],
            'actor': item[3].strip()[3:],
            'time': 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) + '\n')


def main(offset):
    url = 'http://maoyan.com/board/4?offset=' + str(offset)#offset后面加几，页面显示的第一条就是几号排名
    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):#爬取10页的排名
        main(offset=i * 10)
        time.sleep(1) #反反爬虫防止爬取过快封ip

• 1.json操作注意

#json.loads把json字符串转化为python类型
data = json.loads(html.content.decode())

#json.dumps能够把pyton类型转化为json类型（写文件时用）
with open("html.json", "w", encoding='utf-8') as f:
    f.write(json.dumps(data, ensure_ascii=False, indent=2)) # 默认为True为ascii编码，当内容有中文字符时就要设置为假  indent参数表示下一级距离上一级都空两格
    f.write(str(data))#也可以实现存入信息，但是格式就没有json那么好看

• indent参数为2的时候的文件表现，上下级缩进2格

• 2.json的load和dump方法

# 使用json.load提取类文件对象中的数据
with open("douban.json","r",encoding="utf-8") as f:
    ret4 = json.load(f)
    print(ret4)
    print(type(ret4))

#json.dump能够把python类型放入类文件对象中
with open("douban1.json","w",encoding="utf-8") as f:
    json.dump(ret1,f,ensure_ascii=False,indent=2)

- 	 把具有read和write方法的对象叫做类文件对象
- 总的来说前者对应网络爬取数据处理，后者用于本地json数据处理，但是两者效果相同，可以混用。

• 3.requset中解决编码问题的方式提醒