欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

网络爬虫-猫眼电影top100

程序员文章站 2022-04-11 18:53:55
...

接下来的一个月将更新多个网络爬虫的博文,同时也是分享自己在网络爬虫道路上的磕磕绊绊,学习和成长的历程。

今天的网络爬虫是爬取猫眼电影top100,实现分页爬取,然后保存在本地txt文本上。

url : http://maoyan.com/board/4?offset=1,通过分析和试验,发现猫眼电影的url里的offset参数代表着现实每页的第xx-xx排行,比如offset=1,则现实1-10的排行,offset=32,则显示30-39的排行,这就方便了我们实现分页爬取,只需要在url上面动一动手脚即可,正好可以使用urlencode来实现拼接。

具体实现代码如下:

import json
import re
from urllib.parse import urlencode

import requests
from bs4 import BeautifulSoup

def get_one_page(url):
    # 设置user-agent为浏览器 防止被反爬虫发现后禁止登陆
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3423.2 Safari/537.36'
    }
    # 获取网页 'http://maoyan.com/board/4'
    r = requests.get(url, headers=headers)
    # print(r.text)
    # 网页成功访问则返回页面内容 不成功返回空
    if r.status_code == 200:
        return r.text
    return None


def parse_one_page(html):
    soup = BeautifulSoup(html, 'lxml')
    pages = soup.select('.board-wrapper dd')
    # index = []
    # image = []
    # title = []
    # actor = []
    # time = []
    # score = []
    mylist = []
    for page in pages:
        # 排名
        for i in page.select_one('i'):
            if i.string:
                mylist.append(i.string)
        # 标题
        for i in page.select('.name a'):
            if i['title']:
                mylist.append(i['title'])

        # 图片地址
        # 动态加载 暂时不保存
        # for i in page.select('board-img'):
        #     if i:
        #         image.append(i)
        # 主演
        for i in page.select('.star'):
            if i.string:
                mylist.append(i.string.strip())
        # 上映时间
        for i in page.select('.releasetime'):
            if i.string:
                mylist.append(i.string)
        f = ''
        # 评分
        for i in page.select('.score'):
            for x in i.select('i'):
                for string in x:
                    f += string
            mylist.append(f)

    # 列表换字典
    c = 0
    all_list = ['index', 'title', 'actor', 'time', 'score']
    all_mylist = []
    for x in mylist:
        c += 1
        all_mylist.append(x)
        if c == 5:
            c = 0
            yield dict(zip(all_list, all_mylist))
            all_mylist = []


# 写入记事本中
def write_to_file(content):
    with open('result.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False) + '\n')


def main():
    # 分页爬取 通过观察发现offset为每10换页
    for i in range(10):
        num = i * 10
        base_url = 'http://maoyan.com/board/4?'
        params = {'offset': num}
        # urlencode 拼接网址
        full_url = base_url + urlencode(params)
        html = get_one_page(full_url)
        # 返回为yield对象
        content = parse_one_page(html)
        # 写入result.txt
        for x in content:
            write_to_file(x)

if __name__ == '__main__':
    main()