Python爬取猫眼电影TOP100榜
兴趣点：
这个没什么特别的兴趣，只是单纯爬猫眼练手的人太多了，所以我也打算加入他们，对猫眼员工说一声不好意思了，哈哈哈！
爬取网址：
传送门：/board/4
爬虫大体思路及方法：
大体思路：
（1）TOP100榜共10页，每页10部电影，他们的文本和电影专页链接就是我们的目标
（2）我们先把这10页网页的URL链接获取出来，放到一个列表里
（3）利用循环读取每个网页中的每个电影的相关信息（姓名，主演，上映时间，链接），读入一个列表，直接写入txt文件
方法：
（1）页面获取方法：getHTMLText(url)
（2）把10页网页的URL存入列表：fillList(url,pagelist)
（3）获取并保存相关信息：getAndSave(pagelist,path)
参数解读：
（1）pagelist：存储10页网页的URL的列表
（2）path：本地存储路径
部分细节讲解：
（1）我这两天可能是爬猫眼的次数有点多了，IP被限制了，访问会弹出“美团验证”，这样我的爬虫就访问不到目标网页了(；′⌒`)，网上找到的方法就是在headers里加一个Cookie：
（2）页面规律：可以发现第一页是?offset=0
真实url获取：
url = "/board/4?offset="for i in range(10):#共10页new_url = url + "{}".format(i*10)
（3）txt文件打开我放在了循环的外面，感觉放在循环里一直开关怪怪的……，记得读取方式是“a”，否则每次 write 都会覆盖之前内容，还有——记得关闭文件
（4）每个电影区域规律：dd标签
（5）再次强调字符串的去空格：str.strip()
完整代码：
import requestsimport reimport osfrom bs4 import BeautifulSoupdef getHTMLText(url):try:kv = {"user-agent":"Mozilla/5.0","Cookie": "__mta=150238857.1602895907970.1602895907970.1602895907970.1; uuid_n_v=v1; uuid=EF37CF40101211EBA49537871E07CB9B551E0E6AAAD0496CB9577D92C804414F; _csrf=48c1a11d90da9b55c99273c2bbc35e938aec46d79119cc219fd139828fd29bde; Hm_lvt_703e94591e87be68cc8da0da7cbd0be2=1602895908; Hm_lpvt_703e94591e87be68cc8da0da7cbd0be2=1602895908; _lxsdk_cuid=175340a8c37c8-02b1af385c3412-5373e62-144000-175340a8c373c; _lxsdk=EF37CF40101211EBA49537871E07CB9B551E0E6AAAD0496CB9577D92C804414F; _lxsdk_s=175340a8c39-48c-9f6-8fe%7C%7C2"}r = requests.get(url,headers = kv)r.raise_for_status()r.encoding = r.apparent_encodingreturn r.textexcept:print("getHTMLText失败！")return ""def fillList(url,pagelist):for i in range(10):new_url = url + "{}".format(i*10)pagelist.append(new_url)def getAndSave(pagelist,path):with open(path,'a',encoding = 'utf-8') as f:for page in pagelist:html = getHTMLText(page)soup = BeautifulSoup(html,"html.parser")for dd in soup.find_all('dd'):plist = []for p in dd.find_all('p'):plist.append(p.string)f.write(dd.i.string + '\t' + plist[0].strip() + '\t' + plist[1].strip() + '\t' + plist[2].strip() + '\t' + '' + dd.p.a['href'] + '\n')print(dd.i.string + "\t" + plist[0].strip())f.close()def main():pagelist = []url = "/board/4?offset="path = "猫眼TOP100.txt"fillList(url,pagelist)print("fill成功")getAndSave(pagelist,path)print("save成功")main()
