python爬虫获取猫眼电影Top100信息和图片，原来也不是很难爬虫Alice菌的博客-

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:https://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

        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。

        待到程序运行完毕，我们打开同级目录下生成的result.txt文件

        打开由程序创建的covers目录

        我们任意点开一张图片，例如菌哥很喜欢的千与千寻

        ok啦，看到类似上述的效果图，说明我们就成功啦~

        受益或对爬虫感兴趣的朋友记得点个赞支持一下~