使用requests+正則表達式爬取貓眼電影排行

本節中，咱們利用requests庫和正則表達式來抓取貓眼電影TOP100的相關內容。requests比urllib使用更加方便，並且目前咱們尚未系統學習HTML解析庫，因此這裏就選用正則表達式來做爲解析工具。

1. 本節目標

本節中，咱們要提取出貓眼電影TOP100的電影名稱、時間、評分、圖片等信息，提取的站點URL爲http://maoyan.com/board/4，提取的結果會以文件形式保存下來。

2. 準備工做

在本節開始以前，請確保已經正確安裝好了requests庫。若是沒有安裝，能夠參考第1章的安裝說明。

3. 抓取分析

咱們須要抓取的目標站點爲http://maoyan.com/board/4，打開以後即可以查看到榜單信息，以下圖所示。

排名第一的電影是霸王別姬，頁面中顯示的有效信息有影片名稱、主演、上映時間、上映地區、評分、圖片等信息。

將網頁滾動到最下方，能夠發現有分頁的列表，直接點擊第2頁，觀察頁面的URL和內容發生了怎樣的變化，以下圖所示。

能夠發現頁面的URL變成http://maoyan.com/board/4?offset=10，比以前的URL多了一個參數，那就是offset=10，而目前顯示的結果是排行11~20名的電影，初步推斷這是一個偏移量的參數。再點擊下一頁，發現頁面的URL變成了http://maoyan.com/board/4?offset=20，參數offset變成了20，而顯示的結果是排行21~30的電影。

由此能夠總結出規律，offset表明偏移量值，若是偏移量爲n，則顯示的電影序號就是n+1到n+10，每頁顯示10個。因此，若是想獲取TOP100電影，只須要分開請求10次，而10次的offset參數分別設置爲0、十、20、…90便可，這樣獲取不一樣的頁面以後，再用正則表達式提取出相關信息，就能夠獲得TOP100的全部電影信息了。

4. 抓取首頁

接下來用代碼實現這個過程。首先抓取第一頁的內容。咱們實現了get_one_page()方法，並給它傳入url參數。而後將抓取的頁面結果返回，再經過main()方法調用。初步代碼實現以下：

import requests

def get_one_page(url):
    response = requests.get(url)
    if response.status_code == 200:
        return response.text
    return None

def main():
    url = 'http://maoyan.com/board/4'
    html = get_one_page(url)
    print(html)

main()

這樣運行以後，就能夠成功獲取首頁的源代碼了。獲取源代碼後，就須要解析頁面，提取出咱們想要的信息。

5. 正則提取

接下來，回到網頁看一下頁面的真實源碼。在開發者模式下的Network監聽組件中查看源代碼，以下圖所示。

注意，這裏不要在Elements選項卡中直接查看源碼，由於那裏的源碼可能通過JavaScript操做而與原始請求不一樣，而是須要從Network選項卡部分查看原始請求獲得的源碼。

查看其中一個條目的源代碼，以下圖所示。

能夠看到，一部電影信息對應的源代碼是一個dd節點，咱們用正則表達式來提取這裏面的一些電影信息。首先，須要提取它的排名信息。而它的排名信息是在class爲board-index的i節點內，這裏利用非貪婪匹配來提取i節點內的信息，正則表達式寫爲：

<dd>.*?board-index.*?>(.*?)</i>

隨後須要提取電影的圖片。能夠看到，後面有a節點，其內部有兩個img節點。通過檢查後發現，第二個img節點的data-src屬性是圖片的連接。這裏提取第二個img節點的data-src屬性，正則表達式能夠改寫以下：

<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)"

再日後，須要提取電影的名稱，它在後面的p節點內，class爲name。因此，能夠用name作一個標誌位，而後進一步提取到其內a節點的正文內容，此時正則表達式改寫以下：

<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>

再提取主演、發佈時間、評分等內容時，都是一樣的原理。最後，正則表達式寫爲：

<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>

這樣一個正則表達式能夠匹配一個電影的結果，裏面匹配了7個信息。接下來，經過調用findall()方法提取出全部的內容。

接下來，咱們再定義解析頁面的方法parse_one_page()，主要是經過正則表達式來從結果中提取出咱們想要的內容，實現代碼以下：

def parse_one_page(html):
    pattern = re.compile(
        '<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>',
        re.S)
    items = re.findall(pattern, html)
    print(items)

這樣就能夠成功地將一頁的10個電影信息都提取出來，這是一個列表形式，輸出結果以下：

[('1', 'http://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c', '霸王別姬', '\n                主演：張國榮,張豐毅,鞏俐\n        ', '上映時間：1993-01-01(中國香港)', '9.', '6'), ('2', 'http://p0.meituan.net/movie/__40191813__4767047.jpg@160w_220h_1e_1c', '肖申克的救贖', '\n                主演：蒂姆·羅賓斯,摩根·弗里曼,鮑勃·岡頓\n        ', '上映時間：1994-10-14(美國)', '9.', '5'), ('3', 'http://p0.meituan.net/movie/fc9d78dd2ce84d20e53b6d1ae2eea4fb1515304.jpg@160w_220h_1e_1c', '這個殺手不太冷', '\n                主演：讓·雷諾,加里·奧德曼,娜塔莉·波特曼\n        ', '上映時間：1994-09-14(法國)', '9.', '5'), ('4', 'http://p0.meituan.net/movie/23/6009725.jpg@160w_220h_1e_1c', '羅馬假日', '\n                主演：格利高利·派克,奧黛麗·赫本,埃迪·艾伯特\n        ', '上映時間：1953-09-02(美國)', '9.', '1'), ('5', 'http://p0.meituan.net/movie/53/1541925.jpg@160w_220h_1e_1c', '阿甘正傳', '\n                主演：湯姆·漢克斯,羅賓·懷特,加里·西尼斯\n        ', '上映時間：1994-07-06(美國)', '9.', '4'), ('6', 'http://p0.meituan.net/movie/11/324629.jpg@160w_220h_1e_1c', '泰坦尼克號', '\n                主演：萊昂納多·迪卡普里奧,凱特·溫絲萊特,比利·贊恩\n        ', '上映時間：1998-04-03', '9.', '5'), ('7', 'http://p0.meituan.net/movie/99/678407.jpg@160w_220h_1e_1c', '龍貓', '\n                主演：日高法子,阪本千夏,糸井重裏\n        ', '上映時間：1988-04-16(日本)', '9.', '2'), ('8', 'http://p0.meituan.net/movie/92/8212889.jpg@160w_220h_1e_1c', '教父', '\n                主演：馬龍·白蘭度,阿爾·帕西諾,詹姆斯·凱恩\n        ', '上映時間：1972-03-24(美國)', '9.', '3'), ('9', 'http://p0.meituan.net/movie/62/109878.jpg@160w_220h_1e_1c', '唐伯虎點秋香', '\n                主演：周星馳,鞏俐,鄭佩佩\n        ', '上映時間：1993-07-01(中國香港)', '9.', '2'), ('10', 'http://p0.meituan.net/movie/9bf7d7b81001a9cf8adbac5a7cf7d766132425.jpg@160w_220h_1e_1c', '千與千尋', '\n                主演：柊瑠美,入野自由,夏木真理\n        ', '上映時間：2001-07-20(日本)', '9.', '3')]

但這樣還不夠，數據比較雜亂，咱們再將匹配結果處理一下，遍歷提取結果並生成字典，此時方法改寫以下：

def parse_one_page(html):
    pattern = re.compile(
        '<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>',
        re.S)
    items = re.findall(pattern, html)
    for item in items:
        yield {
            'index': item[0],
            'image': item[1],
            'title': item[2].strip(),            
            'actor': item[3].strip()[3:] if len(item[3]) > 3 else '',            
            'time': item[4].strip()[5:] if len(item[4]) > 5 else '',            
            'score': item[5].strip() + item[6].strip()
        }

這樣就能夠成功提取出電影的排名、圖片、標題、演員、時間、評分等內容了，並把它賦值爲一個個的字典，造成結構化數據。運行結果以下：

{'image': 'http://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c', 'actor': '張國榮,張豐毅,鞏俐', 'score': '9.6', 'index': '1', 'title': '霸王別姬', 'time': '1993-01-01(中國香港)'}
{'image': 'http://p0.meituan.net/movie/__40191813__4767047.jpg@160w_220h_1e_1c', 'actor': '蒂姆·羅賓斯,摩根·弗里曼,鮑勃·岡頓', 'score': '9.5', 'index': '2', 'title': '肖申克的救贖', 'time': '1994-10-14(美國)'}
{'image': 'http://p0.meituan.net/movie/fc9d78dd2ce84d20e53b6d1ae2eea4fb1515304.jpg@160w_220h_1e_1c', 'actor': '讓·雷諾,加里·奧德曼,娜塔莉·波特曼', 'score': '9.5', 'index': '3', 'title': '這個殺手不太冷', 'time': '1994-09-14(法國)'}
{'image': 'http://p0.meituan.net/movie/23/6009725.jpg@160w_220h_1e_1c', 'actor': '格利高利·派克,奧黛麗·赫本,埃迪·艾伯特', 'score': '9.1', 'index': '4', 'title': '羅馬假日', 'time': '1953-09-02(美國)'}
{'image': 'http://p0.meituan.net/movie/53/1541925.jpg@160w_220h_1e_1c', 'actor': '湯姆·漢克斯,羅賓·懷特,加里·西尼斯', 'score': '9.4', 'index': '5', 'title': '阿甘正傳', 'time': '1994-07-06(美國)'}
{'image': 'http://p0.meituan.net/movie/11/324629.jpg@160w_220h_1e_1c', 'actor': '萊昂納多·迪卡普里奧,凱特·溫絲萊特,比利·贊恩', 'score': '9.5', 'index': '6', 'title': '泰坦尼克號', 'time': '1998-04-03'}
{'image': 'http://p0.meituan.net/movie/99/678407.jpg@160w_220h_1e_1c', 'actor': '日高法子,阪本千夏,糸井重裏', 'score': '9.2', 'index': '7', 'title': '龍貓', 'time': '1988-04-16(日本)'}
{'image': 'http://p0.meituan.net/movie/92/8212889.jpg@160w_220h_1e_1c', 'actor': '馬龍·白蘭度,阿爾·帕西諾,詹姆斯·凱恩', 'score': '9.3', 'index': '8', 'title': '教父', 'time': '1972-03-24(美國)'}
{'image': 'http://p0.meituan.net/movie/62/109878.jpg@160w_220h_1e_1c', 'actor': '周星馳,鞏俐,鄭佩佩', 'score': '9.2', 'index': '9', 'title': '唐伯虎點秋香', 'time': '1993-07-01(中國香港)'}
{'image': 'http://p0.meituan.net/movie/9bf7d7b81001a9cf8adbac5a7cf7d766132425.jpg@160w_220h_1e_1c', 'actor': '柊瑠美,入野自由,夏木真理', 'score': '9.3', 'index': '10', 'title': '千與千尋', 'time': '2001-07-20(日本)'}

到此爲止，咱們就成功提取了單頁的電影信息。

6. 寫入文件

隨後，咱們將提取的結果寫入文件，這裏直接寫入到一個文本文件中。這裏經過JSON庫的dumps()方法實現字典的序列化，並指定ensure_ascii參數爲False，這樣能夠保證輸出結果是中文形式而不是Unicode編碼。代碼以下：

def write_to_json(content):
    with open('result.txt', 'a') as f:
        print(type(json.dumps(content)))
        f.write(json.dumps(content, ensure_ascii=False,).encode('utf-8'))

經過調用write_to_json()方法便可實現將字典寫入到文本文件的過程，此處的content參數就是一部電影的提取結果，是一個字典。

7. 整合代碼

最後，實現main()方法來調用前面實現的方法，將單頁的電影結果寫入到文件。相關代碼以下：

def main():
    url = 'http://maoyan.com/board/4'
    html = get_one_page(url)
    for item in parse_one_page(html):
        write_to_json(item)

到此爲止，咱們就完成了單頁電影的提取，也就是首頁的10部電影能夠成功提取並保存到文本文件中了。

8. 分頁爬取

由於咱們須要抓取的是TOP100的電影，因此還須要遍歷一下，給這個連接傳入offset參數，實現其餘90部電影的爬取，此時添加以下調用便可：

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

這裏還須要將main()方法修改一下，接收一個offset值做爲偏移量，而後構造URL進行爬取。實現代碼以下：

def main(offset):
    url = 'http://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)

到此爲止，咱們的貓眼電影TOP100的爬蟲就所有完成了，再稍微整理一下，完整的代碼以下：

import json
import requests
from requests.exceptions 
import RequestException
import re
import time

def get_one_page(url):
    try:
        response = requests.get(url)        
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None

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 = re.findall(pattern, html)
    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]
        }
          
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)
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)
    
if __name__ == '__main__':
    for i in range(10):
        main(offset=i * 10)
        time.sleep(1)

如今貓眼多了反爬蟲，若是速度過快，則會無響應，因此這裏又增長了一個延時等待。

9. 運行結果

最後，咱們運行一下代碼，輸出結果相似以下：

{'index': '1', 'image': 'http://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c', 'title': '霸王別姬', 'actor': '張國榮,張豐毅,鞏俐', 'time': '1993-01-01(中國香港)', 'score': '9.6'}
{'index': '2', 'image': 'http://p0.meituan.net/movie/__40191813__4767047.jpg@160w_220h_1e_1c', 'title': '肖申克的救贖', 'actor': '蒂姆·羅賓斯,摩根·弗里曼,鮑勃·岡頓', 'time': '1994-10-14(美國)', 'score': '9.5'}
...
{'index': '98', 'image': 'http://p0.meituan.net/movie/76/7073389.jpg@160w_220h_1e_1c', 'title': '東京物語', 'actor': '笠智衆,原節子,杉村春子', 'time': '1953-11-03(日本)', 'score': '9.1'}
{'index': '99', 'image': 'http://p0.meituan.net/movie/52/3420293.jpg@160w_220h_1e_1c', 'title': '我愛你', 'actor': '宋在河,李彩恩,吉海延', 'time': '2011-02-17(韓國)', 'score': '9.0'}
{'index': '100', 'image': 'http://p1.meituan.net/movie/__44335138__8470779.jpg@160w_220h_1e_1c', 'title': '遷徙的鳥', 'actor': '雅克·貝漢,菲利普·拉波洛,Philippe Labro', 'time': '2001-12-12(法國)', 'score': '9.1'}

這裏省略了中間的部分輸出結果。能夠看到，這樣就成功地把TOP100的電影信息爬取下來了。

這時咱們再看下文本文件，結果以下圖所示。

能夠看到，電影信息也已所有保存到了文本文件中了，大功告成！

10. 本節代碼

本節的代碼地址爲https://github.com/Python3WebSpider/MaoYan。

本節中，咱們經過爬取貓眼TOP100的電影信息練習了requests和正則表達式的用法。這是一個最基礎的實例，但願你們能夠經過這個實例對爬蟲的實現有一個最基本的思路，也對這兩個庫的用法有更深一步的瞭解。