Python实战 爬虫抓取猫眼电影排行榜
本节使用 Python 爬虫抓取猫眼电影网 TOP100 排行榜（https://maoyan.com/board/4）影片信息，包括电影名称、上映时间、主演信息。
在开始编写程序之前，首先要确定页面类型（静态页面或动态页面），其次找出页面的 url 规律，最后通过分析网页元素结构来确定正则表达式，从而提取网页信息。
确定页面类型
点击右键查看页面源码，确定要抓取的数据是否存在于页面内。通过浏览得知要抓取的信息全部存在于源码内，因此该页面输属于静态页面。如下所示：
1.
确定url规律
想要确定 url 规律，需要您多浏览几个页面，然后才可以总结出 url 规律，如下所示：
**
第一页：https://maoyan.com/board/4?offset=0
第二页：https://maoyan.com/board/4?offset=10
第三页：https://maoyan.com/board/4?offset=20
...
第n页：https://maoyan.com/board/4?offset=(n-1)*10
确定正则表达式
通过分析网页元素结构来确定正则表达式，如下所示：
-
-
-
-
主演：徐峥,周一围,王传君 -
-
上映时间：2018-07-05
使用 Chrome 开发者调试工具来精准定位要抓取信息的元素结构。之所以这样做，是因为这能避免正则表达式的冗余，提高编写正则表达式的速度。正则表达式如下所示：
**
.*?title="(.*?)".*?class="star">(.*?).*?releasetime">(.*?)
编写正则表达式时将需要提取的信息使用(.*?)代替，而不需要的内容（包括元素标签）使用.*?代替。
编写爬虫程序
下面使用面向对象的方法编写爬虫程序，主要编写四个函数，分别是请求函数、解析函数、保存数据函数、主函数。
- from urllib import request
- import re
- import time
- import random
- import csv
- from ua_info import ua_list
-
定义一个爬虫类
- class MaoyanSpider(object):
-
初始化
-
定义初始页面url
-
def __init__(self):
-
self.url = 'https://maoyan.com/board/4?offset={}'
-
请求函数
-
def get_html(self,url):
-
headers = {'User-Agent':random.choice(ua_list)}
-
req = request.Request(url=url,headers=headers)
-
res = request.urlopen(req)
-
html = res.read().decode()
-
# 直接调用解析函数
-
self.parse_html(html)
-
解析函数
-
def parse_html(self,html):
-
正则表达式
-
re_bds = '.*?title="(.*?)".*?(.*?)
.*?class="releasetime">(.*?)'
-
生成正则表达式对象
-
pattern = re.compile(re_bds,re.S)
-
# r_list: [('我不是药神','徐峥,周一围,王传君','2018-07-05'),...] 列表元组
-
r_list = pattern.findall(html)
-
self.save_html(r_list)
-
# 保存数据函数，使用python内置csv模块
-
def save_html(self,r_list):
- #生成文件对象
-
with open('maoyan.csv','a',newline='',encoding="utf-8") as f:
- #生成csv操作对象
-
writer = csv.writer(f)
- #整理数据
-
for r in r_list:
-
name = r[0].strip()
-
star = r[1].strip()[3:]
-
# 上映时间：2018-07-05
-
切片截取时间
-
time = r[2].strip()[5:15]
-
L = [name,star,time]
-
写入csv文件
-
writer.writerow(L)
-
print(name,time,star)
-
主函数
-
def run(self):
- #抓取第一页数据
-
for offset in range(0,11,10):
-
url = self.url.format(offset)
-
self.get_html(url)
-
#生成1-2之间的浮点数
-
time.sleep(random.uniform(1,2))
-
以脚本方式启动
- if name == ‘main’:
-
#捕捉异常错误
-
try:
-
spider = MaoyanSpider()
-
spider.run()
-
except Exception as e:
-
print("错误:",e)
输出结果：
我不是药神 2018-07-05 徐峥,周一围,王传君
肖申克的救赎 1994-09-10 蒂姆·罗宾斯,摩根·弗里曼,鲍勃·冈顿
绿皮书 2019-03-01 维果·莫腾森,马赫沙拉·阿里,琳达·卡德里尼
海上钢琴师 2019-11-15 蒂姆·罗斯,比尔·努恩,克兰伦斯·威廉姆斯三世
小偷家族 2018-08-03 中川雅也,安藤樱,松冈茉优
霸王别姬 1993-07-26 张国荣,张丰毅,巩俐
哪吒之魔童降世 2019-07-26 吕艳婷,囧森瑟夫,瀚墨
美丽人生 2020-01-03 罗伯托·贝尼尼,朱斯蒂诺·杜拉诺,赛尔乔·比尼·布斯特里克
这个杀手不太冷 1994-09-14 让·雷诺,加里·奥德曼,娜塔莉·波特曼
盗梦空间 2010-09-01 莱昂纳多·迪卡普里奥,渡边谦,约瑟夫·高登-莱维特
零基础Python学习资源介绍
Python学习路线汇总
温馨提示：篇幅有限，已打包文件夹获取方式在：点击这里【 Python全套资料】 即可获取。
Python必备开发工具
温馨提示：篇幅有限，已打包文件夹获取方式在：点击这里【 Python全套资料】 即可获取。
Python学习视频600合集
观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
实战案例
光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
100道Python练习题检查学习结果。
面试刷题
温馨提示：篇幅有限，已打包文件夹获取方式在：点击这里【 Python全套资料】 即可获取。