爬取猫眼TOP100

学完正则的一个小例子就是爬取猫眼排行榜TOP100的所有电影信息

看一下网页结构：

​

可以看出要爬取的信息在<dd>标签和</dd>标签中间

正则表达式如下：

pattern=re.compile('<dd>.*?board-index.*?>(.*?)</i>.*?data-src="(.*?)".*?name.*?a.*?>'
                   +'(.*?)</a>.*?star">(.*?)</p>'
                +'.*?releasetime">(.*?)</p>.*?integer">(.*?)'
                 +'</i>.*?fraction">(.*?)</i></p>.*?</dd>',
    re.S)

源码如下：

import requests
import re
import time
import json

def get_one_page(url):
    headers={
        'User-Agent': "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5"
    }
    response=requests.get(url,headers=headers)
    if response.status_code==200:
        return response.text
    return None

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></p>.*?</dd>',
        re.S)

    '''
    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 {
            '排名':item[0],
            '图片':item[1],
            '名字':item[2].strip(),
            '演员':item[3].strip()[3:]if len(item[3])>3 else '',
            '时间':item[4].strip()[5:]if len(item[4])>5 else '',
            '评分':item[5].strip()+item[6].strip()
        }

def write_to_file(content):
    with open('movie.txt','a',encoding='utf-8') as f:
        f.write(json.dumps(content,ensure_ascii=False)+'\n')

def main(offset):
    url='https://maoyan.com/board/4?offset='+str(offset)
    html=get_one_page(url)
    #print(html)
    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)

在弄这个的时候，自己先写了一遍正则，，不过只能爬取每一页的第一条数据，然后就没有下文了，，百思不得解

然后仔细的和书上的正则匹配，才发现有的地方写错了，通过这个例子，我们可以知道，正则表达式真的麻烦。。。。

也好难写。

运行结果：

​

最后还将数据保存在本地，，

GitHub地址：https://github.com/tyutltf/maoyan