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

• 检验成功

打开我们的生成的Top100电影排行榜表格, 结果完美输出nice!

(截取Top10)