Scrapy学习笔记-利用requests库抓取猫眼电影排行

缺乏、安全感 2023-03-13 09:21 24阅读 0赞

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg_size_16_color_FFFFFF_t_70]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg_size_16_color_FFFFFF_t_70 1]  
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。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg_size_16_color_FFFFFF_t_70 2]

## 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。  
![在这里插入代码片][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg_size_16_color_FFFFFF_t_70 3]

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.*?>(.*?)` 
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.*?>(.*?).*?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.*?>(.*?).*?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.*?>(.*?).*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?).*?releasetime.*?>(.*?).*?integer.*?>(.*?).*?fraction.*?>(.*?).*?</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.*?>(.*?).*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?).*?releasetime.*?>(.*?).*?integer.*?>(.*?).*?fraction.*?>(.*?).*?</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()
 }

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg_size_16_color_FFFFFF_t_70 4]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg_size_16_color_FFFFFF_t_70 5]

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.*?>(.*?).*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?).*?releasetime.*?>(.*?).*?integer.*?>(.*?).*?fraction.*?>(.*?).*?</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：  
![在这里插入图片描述][20200514153605837.png]

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.*?>(.*?).*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?).*?releasetime.*?>(.*?).*?integer.*?>(.*?).*?fraction.*?>(.*?).*?</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)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg_size_16_color_FFFFFF_t_70 6]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg_size_16_color_FFFFFF_t_70 7]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg_size_16_color_FFFFFF_t_70]: /images/20230312/c11a6a7b966d4692a36c450f4bb0f7f9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg_size_16_color_FFFFFF_t_70 1]: /images/20230312/a08376e226d5421895d78fa44c0beabe.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20200514153110879.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20200513214939715.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/2020051415322230.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20200514153311341.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg==,size_16,color_FFFFFF,t_70
[20200514153605837.png]: https://img-blog.csdnimg.cn/20200514153605837.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg_size_16_color_FFFFFF_t_70 6]: https://img-blog.csdnimg.cn/20200514154519299.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg_size_16_color_FFFFFF_t_70 7]: https://img-blog.csdnimg.cn/20200514154550871.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FzbWFydGtpbGxlcg==,size_16,color_FFFFFF,t_70