requests+re(正则)之猫眼top100排名信息爬取

这篇博客介绍怎么爬取猫眼top100的排名，网址，评分等。使用的是爬虫技术最基础的requests请求加re(正则)提取。

有时候我们看电影会不知道看什么电影比较好，一般打开电影排名，还得一下下的点击到电影排行页面。所以就有了这个爬虫，直接就能得到猫眼的电影排名和他的网址，岂不乐哉。

我们先打开到猫眼的top100页面：https://maoyan.com/board/4?

然后点击到第二页：https://maoyan.com/board/4?offset=10

点击第三页：https://maoyan.com/board/4?offset=20

然后我们就发现只需改变网址后面的offset值就能达到翻页效果，因为编程语言第一个数字是从0开始的，所以直接i*10写个循环就饿能翻页了。

代码：

import requests, re, json
from requests.exceptions import RequestException
from my_fake_useragent import UserAgent


def get_one_page(url):
    headers = {
        ‘User-Agent‘: UserAgent().random()
    }
    try:
        reponse = requests.get(url, headers=headers)
        if reponse.status_code == 200:
            print("ok!")
        return None
    except RequestException:
        return None


def main(offset):
    url = ‘https://maoyan.com/board/4?offset=‘ + str(offset)
    get_one_page(url)


if __name__ == ‘__main__‘:
    for i in range(10):
        main(i * 10)

运行结果：

C:\Users\User\AppData\Local\Programs\Python\Python37\python.exe G:/Python/code/requeats/try.py
ok!
ok!
ok!
ok!
ok!
ok!
ok!
ok!
ok!
ok!

看来十个网址都能请求到，然后进行下一步。

一般使用正则时，我喜欢查看源码来写re,因为源码是网页请求时真正的代码，F12开发者模式下看到的井井有序的代码是进过CSS渲染等后期处理好了的格式，所以两者有些不同。

我们右键点查看源码。然后CTRL+F查找排行第一的“霸王别姬”。我们能看到这一串代码：

<i class="board-index board-index-1">1</i>
    <a href="/films/1203" title="霸王别姬" class="image-link" data-act="boarditem-click" data-val="{movieId:1203}">

然后我们代开霸王别姬的页面，他的URL是：https://maoyan.com/films/1203，我们发现他的后半部分/films/1203也在所截取的代码中。

这样我们就可以构造一个re：“>(.*?)</i>\s*<a href="(.*?)" title="(.*?)" class="image-link”，把我们需要的部分改为(,*?)，因为代码有换行的地方，所以要在回车部位加上\s*。

PS:正则的具体用法我们不例举。

最后在写入一个TXT文件。

import requests, re, json
from requests.exceptions import RequestException
from my_fake_useragent import UserAgent


def get_one_page(url):
    headers = {
        ‘User-Agent‘: UserAgent().random()
    }
    try:
        reponse = requests.get(url, headers=headers)
        if reponse.status_code == 200:
            return reponse.text
        return None
    except RequestException:
        return None


def parse_one_page(html):
    pattern = re.compile(‘>(.*?)</i>\s*<a href="(.*?)" title="(.*?)" class="image-link‘)
    items = re.findall(pattern, html)
    for item in items:
        yield {
            ‘index‘: item[0],
            ‘image‘: ‘http://maoyan.com‘ + item[1],
            ‘title‘: item[2]
        }


def write_to_file(content):
    with open(‘maoyan.txt‘, ‘a‘, encoding=‘UTF-8‘) as f:
        f.write(json.dumps(content, ensure_ascii=False) + ‘\n‘)


def main(offset):
    url = ‘https://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)


if __name__ == ‘__main__‘:
    for i in range(10):
        main(i * 10)

一般我的规律是能用xpath用xpath，其次用re，再其次用bs4。他们的写法都按照xpath的写法一样，一层一层的找下去。但是一般的爬虫，我们使用正则完全没必要那么麻烦，直接找到要爬取地方，复制，把要提取部位改为(,*?)就完全能满足普通爬虫的需要，而且这样做也很快捷。

上面我只是写入了TXT文件，如有需要可以改为CSV格式等。

这里我只提取了排名，网址和电影名。如果有其他爬取类容，请自行添加。