【Python3網路爬蟲開發實戰】3-基本庫的使用-4抓取貓眼電影排行

本節中，我們利用requests庫和正規表示式來抓取貓眼電影TOP100的相關內容。requests比urllib使用更加方便，而且目前我們還沒有系統學習HTML解析庫，所以這裡就選用正規表示式來作為解析工具。

1. 本節目標

本節中，我們要提取出貓眼電影TOP100的電影名稱、時間、評分、圖片等資訊，提取的站點URL為maoyan.com/board/4，提取的結果會以檔案形式儲存下來。

2. 準備工作

在本節開始之前，請確保已經正確安裝好了requests庫。如果沒有安裝，可以參考第1章的安裝說明。

3. 抓取分析

我們需要抓取的目標站點為maoyan.com/board/4，開啟之後便可以檢視到榜單資訊，如圖3-11所示。圖3-11 榜單資訊

排名第一的電影是霸王別姬，頁面中顯示的有效資訊有影片名稱、主演、上映時間、上映地區、評分、圖片等資訊。

將網頁滾動到最下方，可以發現有分頁的列表，直接點選第2頁，觀察頁面的URL和內容發生了怎樣的變化，如圖3-12所示。

圖3-12 頁面URL變化

可以發現頁面的URL變成maoyan.com/board/4?off…，比之前的URL多了一個引數，那就是offset=10，而目前顯示的結果是排行11~20名的電影，初步推斷這是一個偏移量的引數。再點選下一頁，發現頁面的URL變成了maoyan.com/board/4?off…，引數offset變成了20，而顯示的結果是排行21~30的電影。

由此可以總結出規律，offset代表偏移量值，如果偏移量為n，則顯示的電影序號就是n+1到n+10，每頁顯示10個。所以，如果想獲取TOP100電影，只需要分開請求10次，而10次的offset引數分別設定為0、10、20、…90即可，這樣獲取不同的頁面之後，再用正規表示式提取出相關資訊，就可以得到TOP100的所有電影資訊了。

4. 抓取首頁

接下來用程式碼實現這個過程。首先抓取第一頁的內容。我們實現了get_one_page()方法，並給它傳入url引數。然後將抓取的頁面結果返回，再通過main()方法呼叫。初步程式碼實現如下：

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()複製程式碼

這樣執行之後，就可以成功獲取首頁的原始碼了。獲取原始碼後，就需要解析頁面，提取出我們想要的資訊。

5. 正則提取

接下來，回到網頁看一下頁面的真實原始碼。在開發者模式下的Network監聽元件中檢視原始碼，如圖3-13所示。

圖3-13 原始碼

注意，這裡不要在Elements選項卡中直接檢視原始碼，因為那裡的原始碼可能經過JavaScript操作而與原始請求不同，而是需要從Network選項卡部分檢視原始請求得到的原始碼。

檢視其中一個條目的原始碼，如圖3-14所示。

圖3-14 原始碼

可以看到，一部電影資訊對應的原始碼是一個dd節點，我們用正規表示式來提取這裡面的一些電影資訊。首先，需要提取它的排名資訊。而它的排名資訊是在class為board-index的i節點內，這裡利用非貪婪匹配來提取i節點內的資訊，正規表示式寫為：

隨後需要提取電影的圖片。可以看到，後面有a節點，其內部有兩個img節點。經過檢查後發現，第二個img節點的data-src屬性是圖片的連結。這裡提取第二個img節點的data-src屬性，正規表示式可以改寫如下：

再往後，需要提取電影的名稱，它在後面的p節點內，class為name。所以，可以用name做一個標誌位，然後進一步提取到其內a節點的正文內容，此時正規表示式改寫如下：

再提取主演、釋出時間、評分等內容時，都是同樣的原理。最後，正規表示式寫為：

這樣一個正規表示式可以匹配一個電影的結果，裡面匹配了7個資訊。接下來，通過呼叫findall()方法提取出所有的內容。

接下來，我們再定義解析頁面的方法parse_one_page()，主要是通過正規表示式來從結果中提取出我們想要的內容，實現程式碼如下：

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)複製程式碼

這樣就可以成功地將一頁的10個電影資訊都提取出來，這是一個列表形式，輸出結果如下：

但這樣還不夠，資料比較雜亂，我們再將匹配結果處理一下，遍歷提取結果並生成字典，此時方法改寫如下：

1234567891011121314def 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()        }複製程式碼

這樣就可以成功提取出電影的排名、圖片、標題、演員、時間、評分等內容了，並把它賦值為一個個的字典，形成結構化資料。執行結果如下：

到此為止，我們就成功提取了單頁的電影資訊。

6. 寫入檔案

隨後，我們將提取的結果寫入檔案，這裡直接寫入到一個文字檔案中。這裡通過JSON庫的dumps()方法實現字典的序列化，並指定ensure_ascii引數為False，這樣可以保證輸出結果是中文形式而不是Unicode編碼。程式碼如下：

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'))
複製程式碼

通過呼叫write_to_json()方法即可實現將字典寫入到文字檔案的過程，此處的content引數就是一部電影的提取結果，是一個字典。

7. 整合程式碼

最後，實現main()方法來呼叫前面實現的方法，將單頁的電影結果寫入到檔案。相關程式碼如下：

12345def main():    url = 'http://maoyan.com/board/4'    html = get_one_page(url)    for item in parse_one_page(html):        write_to_json(item)複製程式碼

到此為止，我們就完成了單頁電影的提取，也就是首頁的10部電影可以成功提取並儲存到文字檔案中了。

8. 分頁爬取

因為我們需要抓取的是TOP100的電影，所以還需要遍歷一下，給這個連結傳入offset引數，實現其他90部電影的爬取，此時新增如下呼叫即可：

這裡還需要將main()方法修改一下，接收一個offset值作為偏移量，然後構造URL進行爬取。實現程式碼如下：

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，完整的程式碼如下：

123456789101112131415161718192021222324252627282930313233343536373839404142434445import jsonimport requestsfrom requests.exceptions import RequestExceptionimport reimport 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)複製程式碼

現在貓眼多了反爬蟲，如果速度過快，則會無響應，所以這裡又增加了一個延時等待。

9. 執行結果

最後，我們執行一下程式碼，輸出結果類似如下：

這裡省略了中間的部分輸出結果。可以看到，這樣就成功地把TOP100的電影資訊爬取下來了。

這時我們再看下文字檔案，結果如圖3-15所示。

圖3-15 執行結果

可以看到，電影資訊也已全部儲存到了文字檔案中了，大功告成！

10. 本節程式碼

本節的程式碼地址為github.com/Python3WebS…。

本節中，我們通過爬取貓眼TOP100的電影資訊練習了requests和正規表示式的用法。這是一個最基礎的例項，希望大家可以通過這個例項對爬蟲的實現有一個最基本的思路，也對這兩個庫的用法有更深一步的瞭解。

本資源首發於崔慶才的個人部落格靜覓： Python3網路爬蟲開發實戰教程 | 靜覓

如想了解更多爬蟲資訊，請關注我的個人微信公眾號：進擊的Coder

weixin.qq.com/r/5zsjOyvEZ… (二維碼自動識別)