zoukankan      html  css  js  c++  java
  • 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(
            '<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:
            # 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
    
    

    在这里插入图片描述

  • 相关阅读:
    lvs持久连接及防火墙标记实现多端口绑定服务
    LVS负载均衡器DR模型的实现
    CentOS 6.5结合busybox完成自制Linux系统及远程登录和nginx安装测试
    CentOS 6.5下的lamp环境rsyslog+MySQL+loganalyzer实现日志集中分析管理
    centos中selinux功能及常用服务配置
    网站遭遇CC及DDOS攻击紧急处理方案
    centos6.5下系统编译定制iptables防火墙扩展layer7应用层访问控制功能及应用限制QQ2016上网
    centos 6.5内核编译步骤及配置详解
    centos系统初始化流程及实现系统裁剪
    iptables实现网络防火墙及地址转换
  • 原文地址:https://www.cnblogs.com/zhangzhe532/p/10661523.html
Copyright © 2011-2022 走看看