猫の目の映画TOPl100の関連するコンテンツをつかむために、ライブラリの使用を要求。
標的部位ます。https：//maoyan.com/board/4
1.キャプチャホーム
Get_one_pageは、メソッドを定義し、そして彼に渡すURLパラメータを与える
キャッツアイムービーサイトには、ヘッダーがクロールすることができます設定した後、抗爬虫類の対策があります注意してください
import requests
headers = {
'Content-Type': 'text/plain; charset=UTF-8',
'Origin': 'https://maoyan.com',
'Referer': 'https://maoyan.com/board/4',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
}
def get_one_page(url, headers):
try:
response = requests.get(url, headers=headers)
if response.status_code == 200:
return response.text
return None
except RequestsException:
return None
def main():
url = "https://maoyan.com/board/4"
html = get_one_page(url, headers)
print(html)
if __name__ == '__main__':
main()
ソースコードを実行しているが見つかり成功
2.通常のエキス
ここでは、デフparse_one_pageメソッドを定義します
import requests
import re
from requests.exceptions import RequestException
headers = {
'Content-Type': 'text/plain; charset=UTF-8',
'Origin': 'https://maoyan.com',
'Referer': 'https://maoyan.com/board/4',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
}
def get_one_page(url, headers):
try:
response = requests.get(url, headers=headers)
if response.status_code == 200:
return response.text
return None
except RequestsException:
return None
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 main():
url = "https://maoyan.com/board/4"
html = get_one_page(url, headers)
for item in parse_one_page(html):
print(item)
if __name__ == '__main__':
main()
業績
3.ライト・ファイル
私たちは、ファイルに書き込まれた結果を抽出し、テキストファイルに直接ここに書き込みます。
import requests
import re
import json
from requests.exceptions import RequestException
headers = {
'Content-Type': 'text/plain; charset=UTF-8',
'Origin': 'https://maoyan.com',
'Referer': 'https://maoyan.com/board/4',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
}
def get_one_page(url, headers):
try:
response = requests.get(url, headers=headers)
if response.status_code == 200:
return response.text
return None
except RequestsException:
return None
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')
f.close()
def main():
url = "https://maoyan.com/board/4"
html = get_one_page(url, headers)
for item in parse_one_page(html):
print(item)
write_to_file(item)
if __name__ == '__main__':
main()
正常に書き込まれた文書のFOUND
6.タブクロール
我々はそのTOP100ムービーをつかむ必要があるため、上記の手順が成功したと、最初のページにランキング映画をクロールし、我々はまた、他の90枚のフィルムをクロール実現するために必要なことがわかりました。
サイトの分析を通じ、URLや変更が発生しているものを観察するためにページの内容は
**にページのURLで見つけることができます。https：？//Maoyan.corn/board/4 1以上前のURLパラメータより、= 10をオフセット= 10をオフセットし、その結果、現在20にフィルム11のランキングことを示すことを、我々はこのオフセットパラメータであると結論づけました。次に、[次へ]をクリックし、AにページのURLを見つけるhttp://maoyan.com/board/4？= 20オフセット、オフセットパラメータが20になり、その結果はフィルムが21-30位にランクことを示しています。なお、オフセット量は、フィルムIDは、N + L N + 10、表示ページ10に表示され、Nであれば、意味をオフセット値をオフセット法に要約することができます。
これは、オフセット、次にクロールURLを構築するようにオフセット値を受信するmain（）メソッドの変更、であるべきです。コードは以下の通りです
import requests
import re
import json
from requests.exceptions import RequestException
headers = {
'Content-Type': 'text/plain; charset=UTF-8',
'Origin': 'https://maoyan.com',
'Referer': 'https://maoyan.com/board/4',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36'
}
# 爬取网页源代码
def get_one_page(url, headers):
try:
response = requests.get(url, headers=headers)
if response.status_code == 200:
return response.text
return None
except RequestsException:
return None
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')
f.close()
#传入offest参数
def main(offset):
url = "https://maoyan.com/board/4?offset="+str(offset)
html = get_one_page(url, headers)
for item in parse_one_page(html):
print(item)
write_to_file(item)
if __name__ == '__main__':
for i in range(10):
main(i*10)
これまでのところ、我々は猫の目をクロール映画TOP100を完了している、すべての映画情報は、テキストファイルに保存されます。
- 参考：（崔清華付き）のpython3クローラの開発実際の戦闘
