python爬虫获取猫眼电影Top100信息和图片，原来也不是很难

大数据梦想家

发布于 2021-01-27 16:16:49

1.2K0

发布于 2021-01-27 16:16:49

写在前面： 博主是一名软件工程系大数据应用开发专业大二的学生，昵称来源于《爱丽丝梦游仙境》中的Alice和自己的昵称。作为一名互联网小白，写博客一方面是为了记录自己的学习历程，一方面是希望能够帮助到很多和自己一样处于起步阶段的萌新。由于水平有限，博客中难免会有一些错误，有纰漏之处恳请各位大佬不吝赐教！个人小站:http://alices.ibilibili.xyz/ , 博客主页:https://alice.blog.csdn.net/ 尽管当前水平可能不及各位大佬，但我还是希望自己能够做得更好，因为一天的生活就是一生的缩影。我希望在最美的年华，做最好的自己！

有一段时间没写关于爬虫的博客了，距离上一次自学爬虫已经过去了有一年的时间。想起刚写博客那会，没有什么粉丝，写关于大数据技术的博客受众面不是很广，所以基本上不怎么涨粉。每次涨粉都是因为那段时间分享的几篇关于爬虫入门的几个小Demo，像图片下载器，酷狗Top250，稍微难一点的像爬取拉勾网等等，至今历历在目…

虽然不是python专业的学子，但凭着对爬虫莫名的热爱，让我逐渐找回了曾经的自己。

本篇博客博主为大家带来关于使用Python爬虫获取猫眼电影Top100的信息和…作为一名图片党，所必不可少的每部电影的封面图?

详细操作

我们首先根据网址https://maoyan.com/board/4进入到猫眼的Top100榜单首页

注意：光理论是不够的,在此送大家一套2020最新Python全栈实战视频教程，点击此处免费获取一起进步哦！

通过观察其他页网址url的一个变化关系，我们可以尝试发现网址的变化规律

第二页的网址https://maoyan.com/board/4?offset=10

第三页的网址https://maoyan.com/board/4?offset=20

…

一直到最后一页的网址https://maoyan.com/board/4?offset=90

我们可以写一个url的列表推导式

    urls = ['https://maoyan.com/board/4?offset={}'.format(i * 10)
    for i in range(10)]

但这次咱用多线程的方式，先写好主程序入口，在main函数的调用中传递一个列表参数。

if __name__ == '__main__':
    # 对每一页信息进行爬取
    pool = Pool()
    pool.map(main, [i * 10 for i in range(10)])
    pool.close()
    pool.join()

猫眼电影网站有反爬虫措施，我们可以通过设置headers，“伪装”成浏览器进行爬取

# 猫眼电影网站有反爬虫措施，设置headers后可以爬取
headers = {
    'Content-Type': 'text/plain; charset=UTF-8',
    'Origin': 'https://maoyan.com',
    'Referer': 'https://maoyan.com/board/4',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
}

有了请求头和构造出来的url，我们就可以写个方法进行网页源码的捕捉。

# 爬取网页源代码
def get_one_page(url, headers):
    try:
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None

有了源码，我们就可以对其进行解析。

通过观察源代码，发现用正则表达式可以轻易获取到我们想要的信息。

于是可以用正则表达式进行信息的提取，将其返回的数据存放至一个字典里

# 正则表达式提取信息
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]
        }

现在有了内容，我们就应该考虑存储的问题了。

为了方便查看，我们这里将其写入本地的txt文本。

# 猫眼TOP100所有信息写入文件
def write_to_file(content):
    # encoding ='utf-8',ensure_ascii =False,使写入文件的代码显示为中文
    with open('result.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False) + '\n')
        f.close()

提示: 这里使用dumps是将dict转化成str格式。另外json.dumps 序列化时对中文默认使用的ascii编码。因此想输出真正的中文需要指定ensure_ascii=False

以为到这里就完了，是不是还忘了点啥?

对啊，我们还要下载每部电影对应的图片，但现在都已经获取到了每部电影的信息，下载图片那还不是轻轻松松。

我们拿到图片的url，进行request访问，然后将返回的内容写入到本地目录下就ok了

# 下载电影封面
def save_image_file(url, path):
    jd = requests.get(url)
    if jd.status_code == 200:
        with open(path, 'wb') as f:
            f.write(jd.content)
            f.close()

最后我们再完善一下我们的main函数。对上述所写的功能方法进行调用，并在本地创建文件夹covers用来存储结果数据。

def main(offset):
    url = "https://maoyan.com/board/4?offset=" + str(offset)
    html = get_one_page(url, headers)
    if not os.path.exists('covers'):
        os.mkdir('covers')
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)
        save_image_file(item['image'], 'covers/' + item['title'] + '.jpg')

然后就可以运行程序了，可以看到用了多线程之后，速度快了很多。