【爬虫】一次爬取某瓣top电影前250的学习记录

先贴上爬取的脚本：

import requests

import re

for i in range(1,11):

    num=(i-1)*25

    url=f"https://movie.douban.com/top250?start={num}&filter="

    head={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36"}#伪造请求头

    res=requests.get(url,headers=head)

    #print(res.text)

    format=re.compile(r'<div class="item">.*?<span class="title">(?P<name>.*?)</span>',re.S)

    data=format.finditer(res.text)

    for i in data:

        dic=i.groupdict()

        print(dic)

首先导入requests库，主要是对网站发起请求

然后就是re库，主要是在python中能够使用正则表达式匹配

url=f"https://movie.douban.com/top250?start={num}&filter="

这边url中加上f是为了能识别num变量，主要是为了能识别多个网页

head={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36"}

修改请求头，因为某瓣有反爬机制，不修改的，该请求头默认为python的标识，修改的请求头可在f12的netword数据中获取

该请求头随意修改就行，合理就行

 format=re.compile(r'<div class="item">.*?<span class="title">(?P<name>.*?)</span>',re.S)

这里是re的compile函数，可以写正则表达式为后续使用，re.S是为了匹配到换行符，因为.*?中的.是没办法匹配到换行符的，?P<name>,是将匹配到的数据存到name分组中

data=format.finditer(res.text)

进行正则匹配，finditer将匹配的数据存入迭代器，方便后面for循环

  for i in data:

        dic=i.groupdict()

        print(dic)

 这里的groupdict是将分组数据提取出来，是以字典的形式

测试结果如下：