用python爬取猫眼电影，简单网站的多重思路

七夕不看电影就爬电影吧。猫眼电影作为爬虫的必备练手网站，相信每个人都试过吧？ 那么这篇文章，我就再爬一次猫眼电影，而且用上正则和xpath一起，分别保存为excel表格和csv表格，（text文本这个就太简单了，自动忽略）, 所以这篇文章，虽然网站熟悉，但是内容上的干货确实不少。希望大家能学到一点东西！

今天是七夕，没人陪你去看电影， 那么我就教你先爬下电影吧， 希望来年，你可以梦想实现！

---

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\n2:to_csv\nplease 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!') 

七夕不看电影就爬电影吧。猫眼电影作为爬虫的必备练手网站，相信每个人都试过吧？ 那么这篇文章，我就再爬一次猫眼电影，而且用上正则和xpath一起，分别保存为excel表格和csv表格，（text文本这个就太简单了，自动忽略）, 所以这篇文章，虽然网站熟悉，但是内容上的干货确实不少。希望大家能学到一点东西！

本文地址：https://blog.csdn.net/qq_45906219/article/details/108226257