python爬虫实战：利用beautiful soup爬取猫眼电影TOP100榜单内容-2

最近学习了 html5 相关的网页标签的基础知识，这个对beautiful soup的应用理解有很多的帮助，于是重新整理了之前的代码。

有兴趣的可以参考。

import os
import requests
from bs4 import BeautifulSoup


file_path = 'D:\python3.6\scrapy\maoyan' 
# 定义文件夹，方便后续check文件夹是否存在
file_name = 'maoyan.txt'  
# 自定义文件名称
file = file_path+'\\'+file_name 
# 创建文件全地址，方便后续引用

url = "http://maoyan.com/board/4"
# 获取url的开始页
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36"}

if os.path.exists(file):
# 如果文件存在，就在程序运行开始头指针开始编辑，即清空原有内容；
# 如果文件不存在，就创建一个新文件
	with open(file, 'w', encoding='utf-8') as f: 
	# 打开目标文件夹中的文件
			f.truncate()
			#清空文件内容，注意：仅当以 "r+" "rb+" "w" "wb" "wb+"等以可写模式打开的文件才可以执行该功能

def get_all_pages(start):
# 自定义获取所有目标pages页的内容的函数
	
	pages=[]
	#定义空列表，加载获取的page内容
	for n in range(0,100,10):
	# 确认offset的步进值，注意把int的n转换为str
	# 遍历所有的url，并获取每一页page的目标内容
		if n==0:
			url=start
		else:
			url=start+'?offset='+str(n)			
		r = requests.get(url, headers=headers) 
		soup = BeautifulSoup(r.content, 'lxml')
		page= soup.find_all(name='dd')	
		# 将取该gage的所有dd节点的内容转换为soup属性		
		pages.extend(page)
		# 利用extend方法扩展pages list内容		
	return pages
	# 返回所有pages list内容
	
text = get_all_pages(url)

for film in text:
# 遍历列表 text中的所有元素，也就是每个dd节点内容
# 这个for循环应该优化成 自定义函数形式；
	dict ={}
	# 创建空dict，用来存放film信息	
	dict['Index']=film.i.string
	# 选取第1个i节点标签的的string值，即film的排行值，并存入字典dict中
	dict['name']=film.a.attrs['title']
	# 选取第1个a节点标签的title属性的名称，即film的名称，并存入字典dict中
	dict['star']=film.find(name='p',attrs={'class': 'star'}).string.strip()
	# 选取第1个节点标签名称为p，且class属性名称为star的string值，并利用strip方法去除文本的前后的空格或者换行，并存入字典dict中

	time=film.find(name='p',attrs={'class': 'releasetime'}).string.strip()
	dict['releasetime']=time[5:15]
	
	# 选取第1个节点标签名称为p，且class属性名称为releasetime的string值，
	# 并利用strip方法去除文本的前后的空格或者换行，并存入字典dict中
	
	
	sco1=film.find(name='i',attrs={'class': 'integer'}).string
	sco2=film.find(name='i',attrs={'class': 'fraction'}).string
	# 选取第1个节点标签名称为i，且class属性名称为integer或者fraction的string值

	dict['score']=sco1+sco2
	# 存入score值
	
	print(dict)
	# 检查dict是否为目标输出内容
	
	with open(file, 'a+', encoding='utf-8') as f: 
	# 以 a+ 方式打开目标file文件，
	# 如果该文件已存在，文件指针将会放在文件的结尾。
	# 文件打开时会是追加模式。如果该文件不存在，创建新文件用于读写。
		f.write(str(dict)+'\n') 
		# 注意添加 换行符 '\n',实现每个dict自动换行写入txt中
		
print('抓取完毕') 

猫眼电影TOP100榜单中的抓取目标dd节点内容样式参考：

<dd>
                        <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}">
      <img src="//ms0.meituan.net/mywww/image/loading_2.e3d934bf.png" alt="" class="poster-default" />
      <img data-src="http://p1.meituan.net/movie/[email protected]_220h_1e_1c" alt="霸王别姬" class="board-img" />
    </a>
    <div class="board-item-main">
      <div class="board-item-content">
              <div class="movie-item-info">
        <p class="name"><a href="/films/1203" title="霸王别姬" data-act="boarditem-click" data-val="{movieId:1203}">霸王别姬</a></p>
        <p class="star">
                主演：张国荣,张丰毅,巩俐
        </p>
<p class="releasetime">上映时间：1993-01-01(中国香港)</p>    </div>
    <div class="movie-item-number score-num">
<p class="score"><i class="integer">9.</i><i class="fraction">6</i></p>        
    </div>

      </div>
    </div>

                </dd>