用python爬虫简单网站却有 “多重思路”--猫眼电影

目录

• 分析页面：

• 构造页面参数：

• 请求网址:

• 解析网址:

• 保存数据：

• 全部代码：

• 使用xpath解析网址：

• 使用正则去匹配信息：

• 保存为excel:

• 保存为csv:

• 爬虫思路：

爬虫思路：

• 本次爬取网站为：https://maoyan.com/board/4?offset=0

• 本次爬虫函数库：

import re
import requests
from lxml import etree
from openpyxl import Workbook # pip install openpyxl 操作excel 表格的优秀库
import csv  # 操作csv表格

这些函数库没有的话 就自己下载一下， 下载慢出现timeout的话，需要搭配一下国内镜像网站。百度一下 清华镜像

• 本次爬虫代码思路：面向过程的简单操作

• 本次爬虫主要侧重于解析页面和保存数据二大模块，有需求可以直接跳转阅读。

---

分析页面：

拿到这个网站的第一步，就是分析页面， 切不可着急，直接套用代码而上！

• 查看网页源代码之后， 你可以找到页面中对应的数据， 如图：
  
  这说明这个网站就是很中规中矩的静态网站了， 你想怎么耍就可以怎么耍。

• 因为是要爬取T100或者更多， 观察每一页的网址特点，我们发现：

https://maoyan.com/board/4?offset=0 1
https://maoyan.com/board/4?offset=10 2
https://maoyan.com/board/4?offset=20 3
每一页都是offset的不同变化，那我们字符串的构造就可以完成这个任务，得到任意页的网址。

• 当我们拿到每一页的网址，只需要向服务器发送请求，得到返回后的html页面，然后就可以进行不同的解析工作了， 在解析中，我们可以提取我们要的数据，将这些数据进行二次加工， 在返回， 那么就可以进入到我们保存数据的过程了， 在保存数据的时候，我们可以采用不同的方式进行保存，在这边文章中，我使用了excel和 csv 二种方式去保存，这样可以增加自己的代码练手率， 方便自己熟悉各种方式的保存。

---

构造页面参数：

 for i in range(10):
     url = 'https://maoyan.com/board/4?offset={}'.format(i * 10)
     html = spider(page_url=url)

就直接这样用字符串构造一下就行了，很简单。

---

请求网址:

def spider(page_url):
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) '
                      'AppleWebKit/537.36 (KHTML, like Gecko) '
                      'Chrome/83.0.4103.106 Safari/537.36'
    }
    r = requests.get(page_url, headers=headers)
    if r.status_code == 200:
        return r.text
    else:
        print(r.status_code)

带上一些必要的信息， 就可以伪装一下，发送请求，返回页面源代码。

---

解析网址:

使用xpath解析网址：

我们可以通过浏览器发现， 每个电影都在在标签dd中， 但是我们还是要根据dl标签来遍历下面的dd标签，方便得到如下数据！最后使用枚举 enumerate（） 去返回一个参数字典。
代码如下：

def parse_xpath_page(page_html):
    html = etree.HTML(page_html)
    title = html.xpath('//dl/dd/div/div/div[1]/p/a/text()')  # 10
    actress = html.xpath('//dl/dd/div/div/div[1]/p[2]/text()')
    time = html.xpath('//dl/dd/div/div/div[1]/p[3]/text()')
    score1 = html.xpath('//dl/dd/div/div/div[2]/p/i[1]/text()')
    score2 = html.xpath('//dl/dd/div/div/div[2]/p/i[2]/text()')
    for index, value in enumerate(title):
        yield {
            'title': value.strip(),
            'actress': str(actress[index]).strip(),
            'time': time[index],
            'score': score1[index] + score2[index]
        }

使用正则去匹配信息：

正则这个东西，在爬虫中真不到万不得已的时候才使用， 个人感觉，在这个网址，我们练练手， 打开网页源代码。如下：

我们要的数据都在每一个dd标签中， 所以我们需要编写正则表达式， 这里我编写了二种表达式，都可以实现。关于不会正则的朋友，希望自己去学一下。

result = re.findall(r'<dd>.*?board-index.*?>(d+)</i>.*?data-src="(.*?)".*?name"><a'
                   r'.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                   r'.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', page_html, re.S)

result = re.findall(r'<dd>.*?board-index.*?>(d+)</i>'
                        r'.*?data-src="(.*?)".*?</a>'
                        r'.*?name.*?<a.*?>(.*?)</a></p>'
                        r'.*?<p.*?star.*?>(.*?)</p>'
                        r'.*?<p.*?releasetime.*?>(.*?)</p>'
                        r'.*?<p.*?score.*?integer.*?>(.*?)</i>'
                        r'.*?fraction.*?>(.*?)</i></p>.*?</dd>', page_html, re.S)

二种都差不多， 有点细微差别。

代码如下：

def parse_re_page(page_html):
    # result = re.findall(r'<dd>.*?board-index.*?>(d+)</i>.*?data-src="(.*?)".*?name"><a'
    #                     r'.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
    #                     r'.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', page_html, re.S)
    result = re.findall(r'<dd>.*?board-index.*?>(d+)</i>'
                        r'.*?data-src="(.*?)".*?</a>'
                        r'.*?name.*?<a.*?>(.*?)</a></p>'
                        r'.*?<p.*?star.*?>(.*?)</p>'
                        r'.*?<p.*?releasetime.*?>(.*?)</p>'
                        r'.*?<p.*?score.*?integer.*?>(.*?)</i>'
                        r'.*?fraction.*?>(.*?)</i></p>.*?</dd>', page_html, re.S)
    if result:
        for content in result:
            yield {
                "id": content[0],
                'img_path': ''.join(content[1].split('@')[0]).strip(),
                'title': content[2].strip(),
                'actress': content[3].strip(),
                'time': content[4].strip(),
                'score': content[5] + "" + content[6]
            }

保存数据：

数据的保存，至关重要。

保存为excel:

能直接操作excel 表格的库确实有很多，但是我喜欢用openpyxl， 我觉得这个最好耍， 简单的一些配置，就能直接上手。
代码如下：

workbook = Workbook()
sheet = workbook.active  # 获取激活的表格
sheet.title = '猫眼TOP100'  
sheet['A1'] = 'title'
sheet['B1'] = 'actress'
sheet['C1'] = 'time'
sheet['D1'] = 'score'

因为之前我传过来的数据是字典类型的， 但考虑到openpyxl能直接操作的是列表类型，所以有如下修改：

def save_excel(item):
    a = []  # 列表暂存
    for key, value in item.items():
        a.append(value)
    sheet.append(a)  # 保存

保存为csv:

直接操作csv的函数库 我觉得只有csv库最香了。

因为字典类型， 我们需要设置表头， 但是设置表头需要注意不要多次设置， 可能表中存在多个表头，应该这样:

# 先设置表头 关闭文件
 with open('猫眼top.csv', 'a+', newline='', encoding='utf-8') as fw:
       header = ['id', 'img_path', 'title', 'actress', 'time', 'score']
       fw_csv = csv.DictWriter(fw, header)
       fw_csv.writeheader()
# 再写入数据

def save_csv(item):
    header = ['id', 'img_path', 'title', 'actress', 'time', 'score']
    with open('猫眼top.csv', 'a+', encoding='utf-8', newline='') as fw:
        fw_csv = csv.DictWriter(fw, header)
        fw_csv.writerow(item)

全部代码：

import re
import requests
from lxml import etree
from openpyxl import Workbook
import csv


def spider(page_url):
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) '
                      'AppleWebKit/537.36 (KHTML, like Gecko) '
                      'Chrome/83.0.4103.106 Safari/537.36'
    }
    r = requests.get(page_url, headers=headers)
    if r.status_code == 200:
        return r.text
    else:
        print(r.status_code)


def parse_xpath_page(page_html):
    html = etree.HTML(page_html)
    title = html.xpath('//dl/dd/div/div/div[1]/p/a/text()')  # 10
    actress = html.xpath('//dl/dd/div/div/div[1]/p[2]/text()')
    time = html.xpath('//dl/dd/div/div/div[1]/p[3]/text()')
    score1 = html.xpath('//dl/dd/div/div/div[2]/p/i[1]/text()')
    score2 = html.xpath('//dl/dd/div/div/div[2]/p/i[2]/text()')
    for index, value in enumerate(title):
        yield {
            'title': value.strip(),
            'actress': str(actress[index]).strip(),
            'time': time[index],
            'score': score1[index] + score2[index]
        }


def parse_re_page(page_html):
    # result = re.findall(r'<dd>.*?board-index.*?>(d+)</i>.*?data-src="(.*?)".*?name"><a'
    #                     r'.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
    #                     r'.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', page_html, re.S)
    result = re.findall(r'<dd>.*?board-index.*?>(d+)</i>'
                        r'.*?data-src="(.*?)".*?</a>'
                        r'.*?name.*?<a.*?>(.*?)</a></p>'
                        r'.*?<p.*?star.*?>(.*?)</p>'
                        r'.*?<p.*?releasetime.*?>(.*?)</p>'
                        r'.*?<p.*?score.*?integer.*?>(.*?)</i>'
                        r'.*?fraction.*?>(.*?)</i></p>.*?</dd>', page_html, re.S)
    if result:
        for content in result:
            yield {
                "id": content[0],
                'img_path': ''.join(content[1].split('@')[0]).strip(),
                'title': content[2].strip(),
                'actress': content[3].strip(),
                'time': content[4].strip(),
                'score': content[5] + "" + content[6]
            }


def save_excel(item):
    a = []
    for key, value in item.items():
        a.append(value)
    sheet.append(a)


def save_csv(item):
    header = ['id', 'img_path', 'title', 'actress', 'time', 'score']
    with open('猫眼top.csv', 'a+', encoding='utf-8', newline='') as fw:
        fw_csv = csv.DictWriter(fw, header)
        fw_csv.writerow(item)


if __name__ == '__main__':

    flag = int(input('1:to_excel
2:to_csv
please enter you chooser:'))
    if flag == 1:
        workbook = Workbook()
        sheet = workbook.active
        sheet.title = '猫眼TOP100'
        sheet['A1'] = 'title'
        sheet['B1'] = 'actress'
        sheet['C1'] = 'time'
        sheet['D1'] = 'score'
        for i in range(10):
            url = 'https://maoyan.com/board/4?offset={}'.format(i * 10)
            html = spider(page_url=url)
            for item in parse_xpath_page(html):
                save_excel(item=item)
        print('数据保存成功!')
        workbook.save(filename='猫眼top.xlsx')
        workbook.close()
    elif flag == 2:
        with open('猫眼top.csv', 'a+', newline='', encoding='utf-8') as fw:
            header = ['id', 'img_path', 'title', 'actress', 'time', 'score']
            fw_csv = csv.DictWriter(fw, header)
            fw_csv.writeheader()
        for i in range(10):
            url = 'https://maoyan.com/board/4?offset={}'.format(i * 10)
            html = spider(page_url=url)
            for item in parse_re_page(html):
                save_csv(item=item)
        print('数据保存成功!')

欢迎关注公众号：Python爬虫数据分析挖掘，回复【开源源码】免费获取更多开源项目源码

公众号每日更新python知识和【免费】工具