|
爬虫是如何爬取猫眼电影TOP榜数据的。主要抓取的内容有排名、图片、电影名称、主演、上映时间和评分信息。在抓取之前,我们先打开猫眼电影TOP100页面,研究分析页面,查找我们需要的信息位置,然后抓取。
代码如下:
import json
import requests
from requests.exceptions import RequestException
import re
import time
def get_one_page(url):
- try:
- headers = { 'User-Agent': 'agent信息'}
- response = requests.get(url, headers=headers)
- if response.status_code == 200:
- return response.text
- return None
- except RequestException:
- return None
复制代码
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]
- }
复制代码
def write_to_file(content):
- with open('result.txt', 'a', encoding='utf-8') as f:
- f.write(json.dumps(content, ensure_ascii=False) + '\n')
复制代码
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)
复制代码
if name == ' main ':
- for i in range(10):
- main(offset=i * 10)
- time.sleep(1)
复制代码
通过上述代码,我们就可以获取到猫眼电影TOP榜数据信息了。 |
|