Python爬蟲中爬取貓眼電影排行的方法

這篇文章主要介紹Python爬蟲中爬取貓眼電影排行的方法，文中介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們一定要看完！

我們利用requests庫(kù)和正則表達(dá)式來(lái)抓取貓眼電影TOP100的相關(guān)內(nèi)容。requests比urllib使用更加方便，而且目前我們還沒有系統(tǒng)學(xué)習(xí)HTML解析庫(kù)，所以這里就選用正則表達(dá)式來(lái)作為解析工具。

1. 本節(jié)目標(biāo)

本節(jié)中，我們要提取出貓眼電影TOP100的電影名稱、時(shí)間、評(píng)分、圖片等信息，提取的站點(diǎn)URL為http://maoyan.com/board/4，提取的結(jié)果會(huì)以文件形式保存下來(lái)。

2. 準(zhǔn)備工作

在本節(jié)開始之前，請(qǐng)確保已經(jīng)正確安裝好了requests庫(kù)。如果沒有安裝，可以參考第1章的安裝說(shuō)明。

3. 抓取分析

我們需要抓取的目標(biāo)站點(diǎn)為http://maoyan.com/board/4，打開之后便可以查看到榜單信息，如圖3-11所示。

排名第一的電影是霸王別姬，頁(yè)面中顯示的有效信息有影片名稱、主演、上映時(shí)間、上映地區(qū)、評(píng)分、圖片等信息。

將網(wǎng)頁(yè)滾動(dòng)到最下方，可以發(fā)現(xiàn)有分頁(yè)的列表，直接點(diǎn)擊第2頁(yè)，觀察頁(yè)面的URL和內(nèi)容發(fā)生了怎樣的變化，如圖3-12所示。

可以發(fā)現(xiàn)頁(yè)面的URL變成http://maoyan.com/board/4?offset=10，比之前的URL多了一個(gè)參數(shù)，那就是offset=10，而目前顯示的結(jié)果是排行11~20名的電影，初步推斷這是一個(gè)偏移量的參數(shù)。再點(diǎn)擊下一頁(yè)，發(fā)現(xiàn)頁(yè)面的URL變成了http://maoyan.com/board/4?offset=20，參數(shù)offset變成了20，而顯示的結(jié)果是排行21~30的電影。

由此可以總結(jié)出規(guī)律，offset代表偏移量值，如果偏移量為n，則顯示的電影序號(hào)就是n+1到n+10，每頁(yè)顯示10個(gè)。所以，如果想獲取TOP100電影，只需要分開請(qǐng)求10次，而10次的offset參數(shù)分別設(shè)置為0、10、20、…90即可，這樣獲取不同的頁(yè)面之后，再用正則表達(dá)式提取出相關(guān)信息，就可以得到TOP100的所有電影信息了。

4. 抓取首頁(yè)

接下來(lái)用代碼實(shí)現(xiàn)這個(gè)過程。首先抓取第一頁(yè)的內(nèi)容。我們實(shí)現(xiàn)了get_one_page()方法，并給它傳入url參數(shù)。然后將抓取的頁(yè)面結(jié)果返回，再通過main()方法調(diào)用。初步代碼實(shí)現(xiàn)如下：

import requests
def get_one_page(url):
    response = requests.get(url)
    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()

這樣運(yùn)行之后，就可以成功獲取首頁(yè)的源代碼了。獲取源代碼后，就需要解析頁(yè)面，提取出我們想要的信息。

5. 正則提取

接下來(lái)，回到網(wǎng)頁(yè)看一下頁(yè)面的真實(shí)源碼。在開發(fā)者模式下的Network監(jiān)聽組件中查看源代碼，如圖3-13所示。

注意，這里不要在Elements選項(xiàng)卡中直接查看源碼，因?yàn)槟抢锏脑创a可能經(jīng)過JavaScript操作而與原始請(qǐng)求不同，而是需要從Network選項(xiàng)卡部分查看原始請(qǐng)求得到的源碼。

查看其中一個(gè)條目的源代碼，如圖3-14所示。

可以看到，一部電影信息對(duì)應(yīng)的源代碼是一個(gè)dd節(jié)點(diǎn)，我們用正則表達(dá)式來(lái)提取這里面的一些電影信息。首先，需要提取它的排名信息。而它的排名信息是在class為board-index的i節(jié)點(diǎn)內(nèi)，這里利用非貪婪匹配來(lái)提取i節(jié)點(diǎn)內(nèi)的信息，正則表達(dá)式寫為：

<dd>.*?board-index.*?>(.*?)</i>

隨后需要提取電影的圖片?？梢钥吹?，后面有a節(jié)點(diǎn)，其內(nèi)部有兩個(gè)img節(jié)點(diǎn)。經(jīng)過檢查后發(fā)現(xiàn)，第二個(gè)img節(jié)點(diǎn)的data-src屬性是圖片的鏈接。這里提取第二個(gè)img節(jié)點(diǎn)的data-src屬性，正則表達(dá)式可以改寫如下：

<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)"

再往后，需要提取電影的名稱，它在后面的p節(jié)點(diǎn)內(nèi)，class為name。所以，可以用name做一個(gè)標(biāo)志位，然后進(jìn)一步提取到其內(nèi)a節(jié)點(diǎn)的正文內(nèi)容，此時(shí)正則表達(dá)式改寫如下：

<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>

再提取主演、發(fā)布時(shí)間、評(píng)分等內(nèi)容時(shí)，都是同樣的原理。最后，正則表達(dá)式寫為：

<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>
(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>

這樣一個(gè)正則表達(dá)式可以匹配一個(gè)電影的結(jié)果，里面匹配了7個(gè)信息。接下來(lái)，通過調(diào)用findall()方法提取出所有的內(nèi)容。

接下來(lái)，我們?cè)俣x解析頁(yè)面的方法parse_one_page()，主要是通過正則表達(dá)式來(lái)從結(jié)果中提取出我們想要的內(nèi)容，實(shí)現(xiàn)代碼如下：

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)

這樣就可以成功地將一頁(yè)的10個(gè)電影信息都提取出來(lái)，這是一個(gè)列表形式，輸出結(jié)果如下：

[('1', 'http://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c', '霸王別姬', '\n
主演：張國(guó)榮,張豐毅,鞏俐\n
', '上映時(shí)間：1993-01-01(中國(guó)香港)', '9.', '6'),
('2', 'http://p0.meituan.net/movie/__40191813__4767047.jpg@160w_220h_1e_1c', '肖申克的救贖', '\n
主演：蒂姆·羅賓斯,摩根·弗里曼,鮑勃·岡頓\n
', '上映時(shí)間：1994-10-14(美國(guó))', '9.', '5'),
('3', 'http://p0.meituan.net/movie/fc9d78dd2ce84d20e53b6d1ae2eea4fb1515304.jpg@160w_220h_1e_1c', '這個(gè)殺手不太冷', '\n
主演：讓·雷諾,加里·奧德曼,娜塔莉·波特曼\n
', '上映時(shí)間：1994-09-14(法國(guó))', '9.', '5'), 
('4', 'http://p0.meituan.net/movie/23/6009725.jpg@160w_220h_1e_1c', '羅馬假日', '\n
主演：格利高利·派克,奧黛麗·赫本,埃迪·艾伯特\n
', '上映時(shí)間：1953-09-02(美國(guó))', '9.', '1'), 
('5', 'http://p0.meituan.net/movie/53/1541925.jpg@160w_220h_1e_1c', '阿甘正傳', '\n
主演：湯姆·漢克斯,羅賓·懷特,加里·西尼斯\n
', '上映時(shí)間：1994-07-06(美國(guó))', '9.', '4'), 
('6', 'http://p0.meituan.net/movie/11/324629.jpg@160w_220h_1e_1c', '泰坦尼克號(hào)', '\n
主演：萊昂納多·迪卡普里奧,凱特·溫絲萊特,比利·贊恩\n
', '上映時(shí)間：1998-04-03', '9.', '5'), 
('7', 'http://p0.meituan.net/movie/99/678407.jpg@160w_220h_1e_1c', '龍貓', '\n
主演：日高法子,坂本千夏,糸井重里\n
', '上映時(shí)間：1988-04-16(日本)', '9.', '2'), 
('8', 'http://p0.meituan.net/movie/92/8212889.jpg@160w_220h_1e_1c', '教父', '\n
主演：馬龍·白蘭度,阿爾·帕西諾,詹姆斯·凱恩\n
', '上映時(shí)間：1972-03-24(美國(guó))', '9.', '3'), 
('9', 'http://p0.meituan.net/movie/62/109878.jpg@160w_220h_1e_1c', '唐伯虎點(diǎn)秋香', '\n
主演：周星馳,鞏俐,鄭佩佩\n
', '上映時(shí)間：1993-07-01(中國(guó)香港)', '9.', '2'), 
('10', 'http://p0.meituan.net/movie/9bf7d7b81001a9cf8adbac5a7cf7d766132425.jpg@160w_220h_1e_1c', '千與千尋', '\n
主演：柊瑠美,入野自由,夏木真理\n
', '上映時(shí)間：2001-07-20(日本)', '9.', '3')]

但這樣還不夠，數(shù)據(jù)比較雜亂，我們?cè)賹⑵ヅ浣Y(jié)果處理一下，遍歷提取結(jié)果并生成字典，此時(shí)方法改寫如下：

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()
        }

這樣就可以成功提取出電影的排名、圖片、標(biāo)題、演員、時(shí)間、評(píng)分等內(nèi)容了，并把它賦值為一個(gè)個(gè)的字典，形成結(jié)構(gòu)化數(shù)據(jù)。運(yùn)行結(jié)果如下：

{'image': 'http://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c', 'actor': 
'張國(guó)榮,張豐毅,鞏俐', 'score': '9.6', 'index': '1', 'title': '霸王別姬', 'time': '1993-01-01(中國(guó)香港)'}
{'image': 'http://p0.meituan.net/movie/__40191813__4767047.jpg@160w_220h_1e_1c', 'actor': 
'蒂姆·羅賓斯,摩根·弗里曼,鮑勃·岡頓', 'score': '9.5', 'index': '2', 'title': 
'肖申克的救贖', 'time': '1994-10-14(美國(guó))'}
{'image': 'http://p0.meituan.net/movie/fc9d78dd2ce84d20e53b6d1ae2eea4fb1515304.jpg@160w_220h_1e_1c', 'actor': 
'讓·雷諾,加里·奧德曼,娜塔莉·波特曼', 'score': '9.5', 'index': '3', 'title': '這個(gè)殺手不太冷', 'time': 
'1994-09-14(法國(guó))'}
{'image': 'http://p0.meituan.net/movie/23/6009725.jpg@160w_220h_1e_1c', 'actor': 
'格利高利·派克,奧黛麗·赫本,埃迪·艾伯特', 'score': '9.1', 'index': '4', 'title': '羅馬假日', 'time': 
'1953-09-02(美國(guó))'}
{'image': 'http://p0.meituan.net/movie/53/1541925.jpg@160w_220h_1e_1c', 'actor': 
'湯姆·漢克斯,羅賓·懷特,加里·西尼斯', 'score': '9.4', 'index': '5', 'title': '阿甘正傳', 'time': 
'1994-07-06(美國(guó))'}
{'image': 'http://p0.meituan.net/movie/11/324629.jpg@160w_220h_1e_1c', 'actor': 
'萊昂納多·迪卡普里奧,凱特·溫絲萊特,比利·贊恩', 'score': '9.5', 'index': '6', 'title': '泰坦尼克號(hào)', 'time': 
'1998-04-03'}
{'image': 'http://p0.meituan.net/movie/99/678407.jpg@160w_220h_1e_1c', 'actor': 
'日高法子,坂本千夏,糸井重里', 'score': '9.2', 'index': '7', 'title': '龍貓', 'time': '1988-04-16(日本)'}
{'image': 'http://p0.meituan.net/movie/92/8212889.jpg@160w_220h_1e_1c', 'actor': 
'馬龍·白蘭度,阿爾·帕西諾,詹姆斯·凱恩', 'score': '9.3', 'index': '8', 'title': '教父', 'time': '1972-03-24(美國(guó))'}
{'image': 'http://p0.meituan.net/movie/62/109878.jpg@160w_220h_1e_1c', 'actor': 
'周星馳,鞏俐,鄭佩佩', 'score': '9.2', 'index': '9', 'title': '唐伯虎點(diǎn)秋香', 'time': '1993-07-01(中國(guó)香港)'}
{'image': 'http://p0.meituan.net/movie/9bf7d7b81001a9cf8adbac5a7cf7d766132425.jpg@160w_220h_1e_1c', 
'actor': '柊瑠美,入野自由,夏木真理', 'score': '9.3', 'index': '10', 'title': '千與千尋', 'time': '2001-07-20(日本)'}

到此為止，我們就成功提取了單頁(yè)的電影信息。

6. 寫入文件

隨后，我們將提取的結(jié)果寫入文件，這里直接寫入到一個(gè)文本文件中。這里通過JSON庫(kù)的dumps()方法實(shí)現(xiàn)字典的序列化，并指定ensure_ascii參數(shù)為False，這樣可以保證輸出結(jié)果是中文形式而不是Unicode編碼。代碼如下：

def write_to_json(content):
    with open('result.txt', 'a') as f:
        print(type(json.dumps(content)))
        f.write(json.dumps(content, ensure_ascii=False,).encode('utf-8'))

通過調(diào)用write_to_json()方法即可實(shí)現(xiàn)將字典寫入到文本文件的過程，此處的content參數(shù)就是一部電影的提取結(jié)果，是一個(gè)字典。

7. 整合代碼

最后，實(shí)現(xiàn)main()方法來(lái)調(diào)用前面實(shí)現(xiàn)的方法，將單頁(yè)的電影結(jié)果寫入到文件。相關(guān)代碼如下：

def main():
    url = 'http://maoyan.com/board/4'
    html = get_one_page(url)
    for item in parse_one_page(html):
        write_to_json(item)

到此為止，我們就完成了單頁(yè)電影的提取，也就是首頁(yè)的10部電影可以成功提取并保存到文本文件中了。

8. 分頁(yè)爬取

因?yàn)槲覀冃枰ト〉氖荰OP100的電影，所以還需要遍歷一下，給這個(gè)鏈接傳入offset參數(shù)，實(shí)現(xiàn)其他90部電影的爬取，此時(shí)添加如下調(diào)用即可：

if __name__ == '__main__':
    for i in range(10):
        main(offset=i * 10)

這里還需要將main()方法修改一下，接收一個(gè)offset值作為偏移量，然后構(gòu)造URL進(jìn)行爬取。實(shí)現(xiàn)代碼如下：

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)

到此為止，我們的貓眼電影TOP100的爬蟲就全部完成了，再稍微整理一下，完整的代碼如下：

import json
import requests
from requests.exceptions import RequestException
import re
import time
def get_one_page(url):
    try:
        response = requests.get(url)
        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.*?>(\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)
    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)

現(xiàn)在貓眼多了反爬蟲，如果速度過快，則會(huì)無(wú)響應(yīng)，所以這里又增加了一個(gè)延時(shí)等待。

9. 運(yùn)行結(jié)果

最后，我們運(yùn)行一下代碼，輸出結(jié)果類似如下：

{'index': '1', 'image': 'http://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c', 
'title': '霸王別姬', 'actor': '張國(guó)榮,張豐毅,鞏俐', 'time': '1993-01-01(中國(guó)香港)', 'score': '9.6'}
{'index': '2', 'image': 'http://p0.meituan.net/movie/__40191813__4767047.jpg@160w_220h_1e_1c', 'title': 
'肖申克的救贖', 'actor': '蒂姆·羅賓斯,摩根·弗里曼,鮑勃·岡頓', 'time': '1994-10-14(美國(guó))', 'score': '9.5'}
...
{'index': '98', 'image': 'http://p0.meituan.net/movie/76/7073389.jpg@160w_220h_1e_1c', 'title': '東京物語(yǔ)', 
'actor': '笠智眾,原節(jié)子,杉村春子', 'time': '1953-11-03(日本)', 'score': '9.1'}
{'index': '99', 'image': 'http://p0.meituan.net/movie/52/3420293.jpg@160w_220h_1e_1c', 'title': '我愛你', 
'actor': '宋在河,李彩恩,吉海延', 'time': '2011-02-17(韓國(guó))', 'score': '9.0'}
{'index': '100', 'image': 'http://p1.meituan.net/movie/__44335138__8470779.jpg@160w_220h_1e_1c', 'title': 
'遷徙的鳥', 'actor': '雅克·貝漢,菲利普·拉波洛,Philippe Labro', 'time': '2001-12-12(法國(guó))', 'score': '9.1'}

這里省略了中間的部分輸出結(jié)果?？梢钥吹?，這樣就成功地把TOP100的電影信息爬取下來(lái)了。

這時(shí)我們?cè)倏聪挛谋疚募?，結(jié)果如圖3-15所示。

可以看到，電影信息也已全部保存到了文本文件中了，大功告成！

以上是Python爬蟲中爬取貓眼電影排行的方法的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對(duì)大家有幫助，更多相關(guān)知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道！