Python爬取猫眼Top100数据和电影封面

教你如何用python爬取猫眼Top100榜单的数据和封面~

请注意,本文编写于 158 天前,最后修改于 157 天前,其中某些信息可能已经过时。

写在前面: 博主是一名软件工程系大数据应用开发专业大二的学生,昵称来源于《爱丽丝梦游仙境》中的Alice和自己的昵称。作为一名互联网小白,写博客一方面是为了记录自己的学习历程,一方面是希望能够帮助到很多和自己一样处于起步阶段的萌新。由于水平有限,博客中难免会有一些错误,有纰漏之处恳请各位大佬不吝赐教!个人小站:http://alices.ibilibili.xyz/ , 博客主页:https://alice.blog.csdn.net/
尽管当前水平可能不及各位大佬,但我还是希望自己能够做得更好,因为一天的生活就是一生的缩影。我希望在最美的年华,做最好的自己

        有一段时间没写关于爬虫的博客了,距离上一次自学爬虫已经过去了有一年的时间。想起刚写博客那会,没有什么粉丝,写关于大数据技术的博客受众面不是很广,所以基本上不怎么涨粉。每次涨粉都是因为那段时间分享的几篇关于爬虫入门的几个小Demo,像图片下载器,酷狗Top250,稍微难一点的像爬取拉勾网等等,至今历历在目.....

        虽然不是python专业的学子,但凭着对爬虫莫名的热爱,让我逐渐找回了曾经的自己。

        本篇博客博主为大家带来关于使用Python爬虫获取猫眼电影Top100的信息和...作为一名图片党,所必不可少的每部电影的封面图

详细操作

        我们首先根据网址https://maoyan.com/board/4进入到猫眼的Top100榜单首页

        通过观察其他页网址url的一个变化关系,我们可以尝试发现网址的变化规律

        第二页的网址https://maoyan.com/board/4?offset=10

        第三页的网址https://maoyan.com/board/4?offset=20

        ...

        一直到最后一页的网址https://maoyan.com/board/4?offset=90

        我们可以写一个url的列表推导式

    urls = ['https://maoyan.com/board/4?offset={}'.format(i * 10)
    for i in range(10)]

        但这次咱用多线程的方式,先写好主程序入口,在main函数的调用中传递一个列表参数。


if __name__ == '__main__':
    # 对每一页信息进行爬取
    pool = Pool()
    pool.map(main, [i * 10 for i in range(10)])
    pool.close()
    pool.join()

        猫眼电影网站有反爬虫措施,我们可以通过设置headers,“伪装”成浏览器进行爬取

# 猫眼电影网站有反爬虫措施,设置headers后可以爬取
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'
}

        有了请求头和构造出来的url,我们就可以写个方法进行网页源码的捕捉。

# 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 RequestException:
        return None

        有了源码,我们就可以对其进行解析。

        通过观察源代码,发现用正则表达式可以轻易获取到我们想要的信息。


        于是可以用正则表达式进行信息的提取,将其返回的数据存放至一个字典里

# 正则表达式提取信息
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]
        }

        现在有了内容,我们就应该考虑存储的问题了。

        为了方便查看,我们这里将其写入本地的txt文本。

# 猫眼TOP100所有信息写入文件
def write_to_file(content):
    # encoding ='utf-8',ensure_ascii =False,使写入文件的代码显示为中文
    with open('result.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False) + '\n')
        f.close()

提示:
        这里使用==dumps是将dict转化成str格式==。另外json.dumps 序列化时对中文默认使用的ascii编码。因此想输出真正的中文需要指定==ensure_ascii=False==

        以为到这里就完了,是不是还忘了点啥


        待到程序运行完毕,我们打开同级目录下生成的result.txt文件

        打开由程序创建的covers目录

        我们任意点开一张图片,例如菌哥很喜欢的千与千寻


        ok啦,看到类似上述的效果图,说明我们就成功啦~

        受益或对爬虫感兴趣的朋友记得点个赞支持一下~

添加新评论

本站现已启用评论投票,被点踩过多的评论将自动折叠。请不要水评论|ू・ω・` )

已有 1 条评论

召唤看板娘