python爬虫教程，爬取猫眼电影 ，一网打尽好电影
python爬虫教程，爬取猫眼电影 ，一网打尽好电影
前言
Python现在非常火，语法简单而且功能强大，很多同学都想学Python！所以小的给各位看官们准备了高价值Python学习视频教程及相关电子版书籍，欢迎前来领取！
一、页面分析
首先打开猫眼电影，然后点击一个正在热播的电影（比如：毒液）。打开开发者工具，点击左上角的箭头，然后用鼠标点击网页上的票价，可以看到源码中显示的不是数字，而是某些根本看不懂的字符，这是因为使用了font-face定义字符集，并通过unicode去映射展示，所以我们在网页上看到的是数字，但是在源码中看到的却是别的字符。
碰到这些根本看不懂的字符怎么办呢？不慌，右键选择查看网页源代码，然后找到相应的位置（如下图）。那么是不是“”映射出来就是28呢？
通过查看源码，可以找到如下内容， 而当我们访问这里面的链接的时候，就可以下载相应的字体文件，关于font-face可以点击这里查看了解：
当我下载好字体文件后，满心欢喜的双击想要点开的时候，却发现无法打开（T_T）。查阅资料之后知道了一个叫做FontCreator的软件，用这个软件可以打开我们下载的字体文件，没有安装这个软件的可以进入官网https://www.high-logic.com/下载安装
，如果下载得很慢的可以用百度云下载（链接：https://pan.baidu.com/s/1ImxwPhKdzZo2g4bIjiGCZw ，提取码：m0yf ）。下载好之后打开软件，看到如下界面，选择Use Evaluation Version，这个软件我们可以免费使用三十天。
打开软件后，再打开我们下载的字体文件，可以看到数字2和8分别对应的是uniE83B和uniE375，和前面看到的编码是一致的。
那么我们下载好字符集之后，只要将其中的字符编码和数字对应的信息提取出来，再把网页源码中的字符编码替换掉，就能得到我们想要的数据了。这里要用到一个三方库fontTools，利用fontTools可以获取每一个字符对象，这个对象你可以简单的理解为保存着这个字符的形状信息，而且编码可以作为这个对象的id，具有一一对应的关系。不过这里还有一个问题，就是网页每次使用的字符集是随机变化的，我们也就无法使用一个固定的字符集去做到反爬。
解决思路如下：先保存一个字体文件（比如base.woff），然后解析其数字和编码的对应关系，然后爬取的时候把新的字体文件下载下来（比如online.woff），网页中的一个数字的编码（比如ABCD），我们先通过编码ABCD找到这个字符在online.woff中的对象，并且把它和base.woff中的对象逐个对比，直到找到相同的对象，然后获取这个对象在base.woff中的编码，再通过编码确认是哪个数字。
二、主要代码
解析下载的字体文件，由于字体文件中有多余的字符，需要舍弃掉。
# 解析字体库
def parse_ttf(font_name):
"""
:param font_name: 字体文件名
:return: 字符-数字字典
"""
base_nums = ['3', '0', '1', '6', '4', '2', '5', '8', '9', '7']
base_fonts = ['uniEB84', 'uniF8CA', 'uniEB66', 'uniE9DB', 'uniE03C',
'uniF778', 'uniE590', 'uniED12', 'uniEA5E', 'uniE172']
font1 = TTFont('base.woff') # 本地保存的字体文件
font2 = TTFont(font_name) # 网上下载的字体文件
uni_list = font2.getGlyphNames()[1:-1] # 去掉头尾的多余字符
temp = {}
# 解析字体库
for i in range(10):
uni2 = font2['glyf'][uni_list[i]]
for j in range(10):
uni1 = font1['glyf'][base_fonts[j]]
if uni2 == uni1:
temp["&#x" + uni_list[i][3:].lower() + ";"] = base_nums[j]
return temp解析网页源码，把其中的编码替换成数字，这里选择把网页源码保存下来，这样的话编码就不会改变，也就能正确的解析。
# 解析网页得到数字信息
def get_nums(font_dict):
"""
:param font_dict: 字符-数字字典
:return: 由评分、评分人数、票房和票价组成的列表
"""
num_list = []
with open('html', 'r', encoding='utf-8') as f:
for line in f.readlines():
lst = re.findall('(&#x.*?)<', line)
if lst:
num = lst[0]
for i in font_dict.keys():
if i in num:
num = num.replace(i, font_dict[i])
num_list.append(num)
return num_list完整代码
import re
import requests
from lxml import etree
from fontTools.ttLib import TTFont
headers = {
"Host": "maoyan.com",
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.75 "
"Safari/537.36"
}
# 解析字体库
def parse_ttf(font_name):
"""
:param font_name: 字体文件名
:return: 字符-数字字典
"""
base_nums = ['3', '0', '1', '6', '4', '2', '5', '8', '9', '7']
base_fonts = ['uniEB84', 'uniF8CA', 'uniEB66', 'uniE9DB', 'uniE03C',
'uniF778', 'uniE590', 'uniED12', 'uniEA5E', 'uniE172']
font1 = TTFont('base.woff') # 本地保存的字体文件
font2 = TTFont(font_name) # 网上下载的字体文件
uni_list = font2.getGlyphNames()[1:-1] # 去掉头尾的多余字符
temp = {}
# 解析字体库
for i in range(10):
uni2 = font2['glyf'][uni_list[i]]
for j in range(10):
uni1 = font1['glyf'][base_fonts[j]]
if uni2 == uni1:
temp["&#x" + uni_list[i][3:].lower() + ";"] = base_nums[j]
return temp
# 解析网页得到数字信息
def get_nums(font_dict):
"""
:param font_dict: 字符-数字字典
:return: 由评分、评分人数、票房和票价组成的列表
"""
num_list = []
with open('html', 'r', encoding='utf-8') as f:
for line in f.readlines():
lst = re.findall('(&#x.*?)<', line)
if lst:
num = lst[0]
for i in font_dict.keys():
if i in num:
num = num.replace(i, font_dict[i])
num_list.append(num)
return num_list
# 爬取页面
def get_page():
url = "http://maoyan.com/cinemas?movieId=42964"
res = requests.get(url, headers=headers)
# 提取woff字体的链接
woff_url = re.findall(r"vfile.*?woff", res.text)[0]
# 下载字体文件
font_name = 'online.woff'
with open(font_name, 'wb') as f:
f.write(requests.get("http://" + woff_url).content)
# 保存res.text用于后面解析
with open('html', 'w', encoding='utf-8') as f:
f.write(res.text)
# 解析字体文件
font_dict = parse_ttf(font_name)
nums = get_nums(font_dict)
price_list = nums[3:] # 得到票价信息列表
s = etree.HTML(res.text)
movie_name = s.xpath('/html/body/div[3]/div/div[2]/div[1]/h3/text()')[0] # 名字
movie_type = s.xpath('/html/body/div[3]/div/div[2]/div[1]/ul/li[1]/text()')[0] # 类型
info = s.xpath('/html/body/div[3]/div/div[2]/div[1]/ul/li[2]/text()')[0]
movie_country = info.strip().split('\n')[0] # 国家
movie_time = info.strip().split('\n')[1].split('/ ')[-1] # 时长
movie_score = nums[0] + '(评分人数：{})'.format(nums[1]) # 评分
box_office = nums[2] + s.xpath('/html/body/div[3]/div/div[2]/div[3]/div[2]/div/span[2]/text()')[0] # 票房
cinema_list = s.xpath('//*[@id="app"]/div[2]/div/div[1]/a/text()')
address_list = s.xpath('//*[@id="app"]/div[2]/div/div[1]/p/text()')
print(movie_name)
print(movie_type + "/" + movie_country + "/" + movie_time)
print("评分："+movie_score, "票房："+box_office)
for cinema, address, price in zip(cinema_list, address_list, price_list):
print(cinema, address, "票价：" + price + "元")
if __name__ == '__main__':
get_page()