抓取猫眼top100电影信息

抓取网页流程分析

1 分析页面url,例如，猫眼top100的十张网页，区别在于offset

查看网页源码时， control + shift + i 开发者模式，网络模式 监听组。查看网络中的源码，不能查看element中的，element中的

可能被JavaScript渲染过，与我们爬取到的HTML代码不同。

2 抓取页面，注意异常处理

3分析页面，在爬取top100电影时，正则表达式匹配一部电影时，要找到一部电影开始和结束的标志

利用属性值爬取需要的字断，一般用非贪婪式爬取，findall（）返回一个由元组组成的列表，每个元组根据

group分为7个字断

yield返回一个生成器，，，不太懂。。。

4 写入文件

5 经过2次遍历，得到这100部电影的信息。第一次遍历为，传入不同的offset值；第二次遍历，一个页面中的

10部电影

### 猫眼TOP100电影
import json
import  requests
from requests.exceptions import RequestException
import re
import time


#获取一张网页,注意异常处理
def get_one_page(url):
    try:
        headers = {
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537.36'
        }
        response = requests.get(url,headers=headers)
        if response.status_code==200:
            return response.text
        return None
    except RequestException:
        return None
    
#解析一张网页
#返回值为
#<generator object parse_one_page at 0x000001775F2D9F48>
def parse_one_page(html):
    pattern=re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'
                         + '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                         + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)
    #items为一个列表，列表中的元素为10个元组，每个元组里有7个字符串
    #[('1', 'https://p0.meituan.net/movie/[email protected]_220h_1e_1c', '霸王别姬', '\n    主演：张国荣,张丰毅,巩俐 \n        ', '上映时间：1993-07-26', '9.', '5'),
    #找到10个pattern，每个pattern写成一个元组
    items = re.findall(pattern,html)
    
    #不太懂yield的运作 =return+迭代器
    #大概是返回一个集合形式的东西
    for item in items:
         yield {
            'index': item[0],
            'image': item[1],
            'title': item[2],
            'actor': item[3].strip()[3:],
            'time': item[4].strip()[5:],
            'score': item[5] + item[6]
        }
        


#写入文件，content为一部电影
#dump实现字典的序列化
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(offset):
    url='http://maoyan.com/board/4?offset=' + str(offset)
    html=get_one_page(url)
    #第一次遍历，一个页面里的十部电影
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)


if __name__ == "__main__":
    # 第二次遍历
    for i in range(10):
        main(offset=i*10)
        time.sleep(1)