python爬虫入门新手向实战

本次主要爬取Top100电影榜单的电影名、主演和上映时间, 同时保存为excel表个形式, 其他相似榜单也都可以依葫芦画瓢

首先打开要爬取的网址https://maoyan.com/board/4, 在不断点击下一页的过程中, 我们可以发现网址的变化是有规律的

https://maoyan.com/board/4?offset=0 https://maoyan.com/board/4?offset=10 https://maoyan.com/board/4?offset=20

不同的页数, 变化的只有offset后面的数字, 且以10的倍数增长

使用的python库

1. requests -> 请求页面 2. re -> 匹配想要获取的内容 3. pandas -> 使内容看起来更有结构化, 同时帮助我们将内容保存为文件

开始编写爬虫程序

获取网页源码

base_url = 'https://maoyan.com/board/4?offset=' # 伪造一个请求头, 这个网上有很多 headers = { 'User-Agent': 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)' } def get_every_page(url): result = requests.get(url, headers=headers) # 响应成功则返回源代码内容 if result.status_code == requests.codes.ok: return result.text return None

分析源码特征, 编写正则表达式, 获取主要内容

<dd> <i class="board-index board-index-20">20</i> <a href="/films/428" title="指环王3：王者无敌" class="image-link" data-act="boarditem-click" data-val="{movieId:428}"> <img src="//s3plus.meituan.net/v1/mss_e2821d7f0cfe4ac1bf9202ecf9590e67/cdn-prod/file:5788b470/image/loading_2.e3d934bf.png" alt="" class="poster-default" /> <img data-src="https://p0.meituan.net/movie/932bdfbef5be3543e6b136246aeb99b8123736.jpg@160w_220h_1e_1c" alt="指环王3：王者无敌" class="board-img" /> </a> <div class="board-item-main"> <div class="board-item-content"> <div class="movie-item-info"> <p class="name"><a href="/films/428" title="指环王3：王者无敌" data-act="boarditem-click" data-val="{movieId:428}">指环王3：王者无敌</a></p> <p class="star"> 主演：伊莱贾·伍德,伊恩·麦克莱恩,丽芙·泰勒 </p> <p class="releasetime">上映时间：2004-03-15</p> </div> <div class="movie-item-number score-num"> <p class="score"> <i class="integer">9.</i> <i class="fraction">2</i> </p> </div> </div> </div> </dd>

从返回的源码中可以发现, 电影的信息都集中在<dd>标签内, 根据其规律, 编写下列正则表达式获取电影名、主演和上映时间的信息

# filmname = [] # actor = [] # stime = [] html = get_every_page(url) if html: # 获取电影信息 # 同时这里需要注意的重点是, 一定不要忘记了修饰符re.S, 否则什么也匹配不出来! data = re.findall('<dd.*?title="(.*?)".*?"star">(.*?)<.*?">(.*?)</p>', html, re.S) # data中的每一个都是一个元组

输出每一个元组的信息(以某一页为例)

('霸王别姬', 'n 主演：张国荣,张丰毅,巩俐n ', '上映时间：1993-01-01') ('肖申克的救赎', 'n 主演：蒂姆·罗宾斯,摩根·弗里曼,鲍勃·冈顿n ', '上映时间：1994-09-10(加拿大)') ('罗马假日', 'n 主演：格利高里·派克,奥黛丽·赫本,埃迪·艾伯特n ', '上映时间：1953-09-02(美国)') ('这个杀手不太冷', 'n 主演：让·雷诺,加里·奥德曼,娜塔莉·波特曼n ', '上映时间：1994-09-14(法国)') ('泰坦尼克号', 'n 主演：莱昂纳多·迪卡普里奥,凯特·温丝莱特,比利·赞恩n ', '上映时间：1998-04-03') ('唐伯虎点秋香', 'n 主演：周星驰,巩俐,郑佩佩n ', '上映时间：1993-07-01(中国香港)') ('魂断蓝桥', 'n 主演：费雯·丽,罗伯特·泰勒,露塞尔·沃特森n ', '上映时间：1940-05-17(美国)') ('乱世佳人', 'n 主演：费雯·丽,克拉克·盖博,奥利维娅·德哈维兰n ', '上映时间：1939-12-15(美国)') ('天空之城', 'n 主演：寺田农,鹫尾真知子,龟山助清n ', '上映时间：1992-05-01') ('辛德勒的名单', 'n 主演：连姆·尼森,拉尔夫·费因斯,本·金斯利n ', '上映时间：1993-12-15(美国)')

因为输出的信息格式差异很大, 我们再来统一一下格式

# data = re.findall('<dd.*?title="(.*?)".*?"star">(.*?)<.*?">(.*?)</p>', html, re.S) # 去除空格和多余的字符, 分别提取出电影名, 主演和上映时间 for i in data: filmname.append(i[0].strip()) actor.append((i[1].strip())[3:]) stime.append(i[2][5:].strip())

将结果保存为文件
将内容生成为DataFrame对象, 再保存为文件

 tdict = {'电影名': filmname, '主演': actor, '上映时间': stime} tdict = pd.DataFrame(tdict, index=[i for i in range(1, 101)]) tdict.to_excel('Top100电影排行榜.xlsx', encoding='utf-8') print(tdict)

完整代码

import requests import re import pandas as pd base_url = 'https://maoyan.com/board/4?offset=' headers = { 'User-Agent': 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)' } def get_every_page(url): result = requests.get(url, headers=headers) if result.status_code == requests.codes.ok: return result.text return None def main(): filmname = [] actor = [] stime = [] for i in range(0, 110, 10): url = base_url + str(i) html = get_every_page(url) if html: data = re.findall('<dd.*?title="(.*?)".*?"star">(.*?)<.*?">(.*?)</p>', html, re.S) for i in data: filmname.append(i[0].strip()) actor.append((i[1].strip())[3:]) stime.append(i[2][5:].strip()) tdict = {'电影名': filmname, '主演': actor, '上映时间': stime} tdict = pd.DataFrame(tdict, index=[i for i in range(1, 101)]) tdict.to_excel('Top100电影排行榜.xlsx', encoding='utf-8') print(tdict) main()