栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > IT > 软件开发 > 后端开发 > Python

抓取猫眼电影top100的正则、bs4、pyquery、xpath实现方法

Python 更新时间: 发布时间: IT归档 最新发布 模块sitemap 名妆网 法律咨询 聚返吧 英语巴士网 伯小乐 网商动力

抓取猫眼电影top100的正则、bs4、pyquery、xpath实现方法

import requests
import re
import json
import time
from bs4 import BeautifulSoup
from pyquery import PyQuery as pq
from lxml import etree

# 获取页面源码
def get_one_page(url):
    try:
 headers = {  # 伪装请求头
     'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.75 Safari/537.36'
 }
 response = requests.get(url, headers=headers)  # 构造响应

 if response.status_code == 200:  # 判断状态码
     return response.text
 return None
    except requests.exceptions.RequestException as r:
 return None

# 正则表达式提取源码关键信息
def parse_one_page(html):
    # 正则表达式查询目标信息
    pattern = re.compile(
 '
.*?board-index.*?>(d+).*?data-class="lazyload" src="https://www.mshxw.com/file/upload/202104/14/132424370.png" data-original="(.*?)".*?name">(.*?).*?star">(.*?)

.*?releasetime">(.*?)

.*?integer">(.*?).*?fraction">(.*?).*?
', re.S) items = re.findall(pattern, html) for item in items: # 包含yield表达式的函数是特殊的函数,叫做生成器函数(generator function),被调用时将返回一个迭代器(iterator),调用时可以使用next或send(msg)。它的用法与return相似,区别在于它会记住上次迭代的状态,继续执行。 yield{ # yield关键字 'index': item[0], 'image': item[1], 'title': item[2].strip(), 'actor': item[3].strip()[3:], # if len(item[3])>3 else '', 'time': item[4].strip()[5:], # if len(item[4])>5 else '', 'score': item[5].strip()+item[6].strip() } #Xpath提取信息 def xpath_demo(html): html=etree.HTML(html) str1='//dd[' for i in range(10): yield{ # yield关键字 'index': html.xpath(str1+str(i)+']/i/text()'), 'image': html.xpath(str1+str(i)+']/a/img[@class="board-img"]/@data-src'), 'title': html.xpath(str1+str(i)+']//p/a[@data-act="boarditem-click"]/text()'), 'actor': ''.join(html.xpath(str1+str(i)+']//p[@class="star"]/text()')).strip(), 'time': html.xpath(str1+str(i)+']//p[@class="releasetime"]/text()'), 'score': ''.join(html.xpath(str1+str(i)+']//p[@class="score"]/i/text()')), } # bs4提取关键信息 def bs4_demo(html): soup = BeautifulSoup(html, 'lxml') # pq=PyQuery(html) # for item in pq('dd img/.board-img') for dd in soup.find_all(name='dd'): yield{ 'index': dd.find(name='i', attrs={'class': 'board-index'}).string.strip(),#去掉前后空格 'image': dd.find(name='img', attrs={'class': 'board-img'})['data-src'], 'title': dd.find(name='p', attrs={'class': 'name'}).string.strip(), 'actor': dd.find(name='p', attrs={'class': 'star'}).string.strip(), 'time': dd.find(name='p', attrs={'class': 'releasetime'}).string.strip(), 'score': dd.find(name='i', attrs={'class': 'integer'}).string+dd.find(name='i', attrs={'class': 'fraction'}).string } #pyquery css筛选信息 def pyquery_demo(html): doc=pq(html) for dd in doc('dd').items(): yield{ 'index': dd.find('i.board-index').text(),#获取文本 'image': dd.find('img.board-img').attr('data-src'),#获取属性 'title': dd.find('p.name a').text(), 'actor': dd.find('p.star').text(), 'time': dd.find('p.releasetime').text(), 'score': dd.find('p.score i.integer').text()+dd.find('p.score i.fraction').text() } def write_to_file(content): with open('/Users/zz/Desktop/result.txt', 'a', encoding='utf-8') as f: # json.dumps()实现字典的序列化,ensure_ascii=False保证输出非Unicode编码 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) # for item in parse_one_page(html): #for item in bs4_demo(html): #for item in pyquery_demo(html): for item in xpath_demo(html): print(item) # write_to_file(item) # 写入文件 if __name__ == '__main__': # 是否从控制台执行 for i in range(10): main(offset=i*10) time.sleep(1)#避免操作过快被识别

转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/it/221038.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号