用python写爬虫爬取需要的数据比较容易,以Python简洁的语法和一大波成熟的库,写起来相当的快
python的版本以及使用的库
Python 3.6.4
requests
lxml
这次主要是爬取猫眼的热映电影,网址为http://maoyan.com/films
新建个项目
我用 类(Class) 的方式创建,并初始化需要使用的参数
class MaoYanHot: def __init__(self): self.session = requests.session() # requests库的session对象能够帮我们跨请求保持某些参数,也会在同一个session实例发出的所有请求之间保持cookies self.baseUrl = 'http://maoyan.com/films' # 设置requests请求的headers参数来模拟浏览器访问 self.headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11', 'Accept': 'text/html;q=0.9,*/*;q=0.8', 'Accept-Charset': 'ISO-8859-1,utf-8;q=0.7,*;q=0.3', 'Accept-Encoding': 'gzip', 'Connection': 'close', 'Referer': None # 注意如果依然不能抓取的话,这里可以设置抓取网站的host } # 开始访问 def run(self, pages='?offset=0'): url = self.baseUrl + pages print('获取url:' + url) MaoYanHot = MaoYanHot() MaoYanHot.run() |
获取正在热映电影首页数据
写个def来获取网页内容,并在run里面调用
# 获取网页内容 def getHtmlContent(self, url): try: respone = self.session.get(url, headers=self.headers) if respone.status_code == 200: return respone.content.decode('utf-8') # 这里的编码取决于网页编码 return False except Exception as e: print('err1:' + str(e)) return False |
在run里面调用contents = self.getHtmlContent(url)
如果顺利的话就会得到HTML内容,通过HTML发现dd标签并没有闭合需要处理下
通过etree.HTML我发现并不能正确闭合dd标签,造成层层嵌套,写个例子测试下
from lxml import etree aaa = ''' <dl> <dd>1111 <dd>1111 <dd>1111 <dd>1111 </dl> ''' bbb = etree.HTML(aaa) print(etree.tostring(bbb)) |
打印的结果是b'<html><body><dl>\n <dd>1111\n <dd>1111\n <dd>1111\n <dd>1111\n</dd></dd></dd></dd></dl>\n</body></html>'
把HTML转为XML
手动闭合dd后通过etree.HTML把HTML转为XML,利用xpath语法可以快速匹配我们需要的节点。
# 把html转为xml def htmlToXml(self, contents): # 手动闭合dd标签 contents = contents.replace('<dd', '</dd><dd') return etree.HTML(contents) |
在run里面调用xmls = self.htmlToXml(contents)
再来看看电影结构组成,如下图
我们可以看到电影数据都是在dd里面,评分分为 暂无评分 和 具体评分 2种,父元素是dl,而它的class[movie-list]在页面只有一个。
获取电影的名称和评分
接下来写个def分析需要的电影数据,如电影的名称和评分
请在文本框输入文字 |
在run里面调用movieList = self.parsingHtml(xmls),通过for循环打印电影数据
for item in movieList: strs = '电影:%s -- 评分: %s' % (item['movieName'], item['moviePa']) print(strs) |
输出如下:
获取url:http://maoyan.com/films?offset=0 电影:复仇者联盟3:无限战争 -- 评分: 8.6 电影:我是你妈 -- 评分: 8.2 电影:后来的我们 -- 评分: 8.1 电影:超时空同居 -- 评分: 8.8 电影:寂静之地 -- 评分: 暂无评分 电影:幕后玩家 -- 评分: 8.1 电影:狂暴巨兽 -- 评分: 9.0 电影:战犬瑞克斯 -- 评分: 8.2 电影:巴霍巴利王2:终结 -- 评分: 8.7 电影:亲爱的,我要和别人结婚了 -- 评分: 8.2 电影:小公主艾薇拉与神秘王国 -- 评分: 5.7 电影:昼颜 -- 评分: 暂无评分 电影:头号玩家 -- 评分: 9.1 电影:七号公馆 -- 评分: 暂无评分 电影:冰雪女王3:火与冰 -- 评分: 8.2 电影:侏罗纪世界2 -- 评分: 暂无评分 电影:玛丽与魔女之花 -- 评分: 8.0 电影:复仇者联盟4 -- 评分: 暂无评分 电影:青年马克思 -- 评分: 8.4 电影:狄仁杰之四大天王 -- 评分: 暂无评分 电影:爱情公寓 -- 评分: 暂无评分 电影:路过未来 -- 评分: 暂无评分 电影:21克拉 -- 评分: 8.2 电影:游侠索罗:星球大战外传 -- 评分: 暂无评分 电影:午夜十二点 -- 评分: 3.5 电影:龙在哪里? -- 评分: 8.6 电影:火魔高跟鞋 -- 评分: 暂无评分 电影:动物世界 -- 评分: 暂无评分 电影:犬之岛 -- 评分: 7.9 电影:厉害了,我的国 -- 评分: 9.6 |
自动获取下一页的数据
自此已经可以请求网页并且获取需要的数据,接下来自动请求下一页。通过分析发现URl都是http://maoyan.com/films拼接?offset=x这个参数,x是当前页数的起始数,第一页x为0,第二页x为30,以此类推。刚好下一页的href就是这个参数。
写个def获取下一个的参数
# 匹配下一页 def getNextPage(self, html): try: # 获取a元素的文本值为下一页的href属性 result = html.xpath('//a[text()="下一页"]/@href') return result[0] if len(result) else False except Exception as e: print('err3:' + str(e)) return False |
在run里面通过递归的方式实现自动获取下一页的数据,并随机休眠5-20秒以预防被猫眼拒绝访问
NextPage = self.getNextPage(xmls) if NextPage: sleepTime = random.randint(5, 20) print('休眠时间:%s' % (sleepTime)) # time.sleep(sleepTime) sarr = list(range(sleepTime)) sarr.sort(reverse=True) for iss in sarr: time.sleep(1) print('倒计时:' + str(iss)) self.run(NextPage) |
到这里已经基本完成了一个爬虫
设置cookie来获取需要登陆的网站的数据
有些网站内容必须需要登陆了才能访问,手动设置cookie的方式应该是比较省力的,通过浏览器登陆网页后,通过F12 - Network - Headers - Request Headers 找到 Cookie 字段里面包含了cookie信息,写个def把字符串转为字典
def dictToCookie(self): cookie_str = 'uuid=1A6E888B4A4B29B16FBA1299108DBE9C716675A309C3BAA9D55E347DEB6E83EC; _lxsdk_cuid=16367a2e6a9c8-0d58eea69a4d89-3c3c5905-1fa400-16367a2e6a9c8; _lxsdk=1A6E888B4A4B29B16FBA1299108DBE9C716675A309C3BAA9D55E347DEB6E83EC; _csrf=89ce8482c620a863330c9ffcaf2e20579a55a76cbd8637ac62a2b9f72c172a7b; _lx_utm=utm_source%3DBaidu%26utm_medium%3Dorganic; lt=DiIgzaThdLC5XZdcq4joMkZRpD8AAAAA3QUAAIpNTDuzpXNwUmtKXTXO6i9RayLLEM7KoYPwtHI1-tbRoMyue5EEa87kRKXrkA9SxQ; lt.sig=HiWqeKJoko8oWV-YaVVbIHt4iXQ; __mta=46043675.1526452119497.1526534209978.1526537087635.59; _lxsdk_s=1636cb36a83-aff-08c-b8a%7C%7C2' cookie_dict = dict() for item in cookie_str.split(';'): key, value = item.split('=', 1) # 1代表只分一次,得到两个数据 cookie_dict[key] = value return cookie_dict |
然后在class的__init__里面把字典转为cookiejar并设置cookie
cookie_dict = self.dictToCookie() self.session.cookies = requests.utils.cookiejar_from_dict(cookie_dict, cookiejar=None, overwrite=True) |
完整代码
#!/usr/bin/env python # -*- coding: utf-8 -*- # @Date : 2018-05-16 15:14:06 # @Author : Your Name (you@example.org) # @Link : link # @Version : 1.0.0 # 获取猫眼热门电影 import time import requests import random from lxml import etree class MaoYanHot: def __init__(self): self.session = requests.session() self.baseUrl = 'http://maoyan.com/films' self.headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11', 'Accept': 'text/html;q=0.9,*/*;q=0.8', 'Accept-Charset': 'ISO-8859-1,utf-8;q=0.7,*;q=0.3', 'Accept-Encoding': 'gzip', 'Connection': 'close', 'Referer': None # 注意如果依然不能抓取的话,这里可以设置抓取网站的host } cookie_dict = self.dictToCookie() self.session.cookies = requests.utils.cookiejar_from_dict(cookie_dict, cookiejar=None, overwrite=True) # 转为字典 def dictToCookie(self): cookie_str = 'uuid=1A6E888B4A4B29B16FBA1299108DBE9C716675A309C3BAA9D55E347DEB6E83EC; _lxsdk_cuid=16367a2e6a9c8-0d58eea69a4d89-3c3c5905-1fa400-16367a2e6a9c8; _lxsdk=1A6E888B4A4B29B16FBA1299108DBE9C716675A309C3BAA9D55E347DEB6E83EC; _csrf=89ce8482c620a863330c9ffcaf2e20579a55a76cbd8637ac62a2b9f72c172a7b; _lx_utm=utm_source%3DBaidu%26utm_medium%3Dorganic; lt=DiIgzaThdLC5XZdcq4joMkZRpD8AAAAA3QUAAIpNTDuzpXNwUmtKXTXO6i9RayLLEM7KoYPwtHI1-tbRoMyue5EEa87kRKXrkA9SxQ; lt.sig=HiWqeKJoko8oWV-YaVVbIHt4iXQ; __mta=46043675.1526452119497.1526534209978.1526537087635.59; _lxsdk_s=1636cb36a83-aff-08c-b8a%7C%7C2' cookie_dict = dict() for item in cookie_str.split(';'): key, value = item.split('=', 1) # 1代表只分一次,得到两个数据 cookie_dict[key] = value return cookie_dict # 获取网页内容 def getHtmlContent(self, url): try: respone = self.session.get(url, headers=self.headers) if respone.status_code == 200: return respone.content.decode('utf-8') return False except Exception as e: print('err1:' + str(e)) return False # 把html转为xml def htmlToXml(self, contents): # 手动闭合dd标签 contents = contents.replace('<dd', '</dd><dd') return etree.HTML(contents) # 利用xpath解析html内容 def parsingHtml(self, html): try: movieList = html.xpath('//dl[@class="movie-list"]/dd') if len(movieList): for item in movieList: movieName = item.xpath('.//a[@data-act="movies-click"]/text()')[0] moviePa = item.xpath('.//div[@class="channel-detail channel-detail-orange"]/text()') if not moviePa: integer = item.xpath('.//div[@class="channel-detail channel-detail-orange"]/i[@class="integer"]/text()') fraction = item.xpath('./div[@class="channel-detail channel-detail-orange"]/i[@class="fraction"]/text()') moviePa = integer + fraction yield({ 'movieName': movieName, 'moviePa': ''.join(moviePa) }) return except Exception as e: print('err2:' + str(e)) return # 匹配下一页 def getNextPage(self, html): try: result = html.xpath('//a[text()="下一页"]/@href') return result[0] if len(result) else False except Exception as e: print('err3:' + str(e)) return False # 开始访问 def run(self, pages='?offset=18180'): url = self.baseUrl + pages print('获取url:' + url) contents = self.getHtmlContent(url) if contents: xmls = self.htmlToXml(contents) movieList = self.parsingHtml(xmls) file_object = open('movie.txt', 'a+', encoding='utf-8') file_object.write('获取url:' + url + "\n") for item in movieList: strs = '电影:%s -- 评分: %s' % (item['movieName'], item['moviePa']) print(strs) file_object.write(strs + "\n") file_object.close() NextPage = self.getNextPage(xmls) if NextPage: sleepTime = random.randint(5, 20) print('休眠时间:%s' % (sleepTime)) # time.sleep(sleepTime) sarr = list(range(sleepTime)) sarr.sort(reverse=True) for iss in sarr: time.sleep(1) print('倒计时:' + str(iss)) self.run(NextPage) else: print('网页内容获取失败') MaoYanHot = MaoYanHot() MaoYanHot.run() |
上文内容不用于商业目的,如涉及知识产权问题,请权利人联系博为峰小编(021-64471599-8017),我们将立即处理。