前言

我看到最近幾部電影很火，查了一下貓眼電影上的數(shù)據(jù)，發(fā)現(xiàn)還有個榜單，里面有各種經(jīng)典和熱映電影的排行榜，然后我覺得電影封面圖還挺好看的，想著一張一張下載真是費時費力，于是突發(fā)奇想，好像可以用一下最近學的東西實現(xiàn)我的需求，學習了正則表達式之后，想著要感受一下它在爬蟲里面的效果和優(yōu)缺點。

目標：爬取Top100榜單上電影的封面圖

Top100榜單規(guī)則：將貓眼電影庫中的經(jīng)典影片，按照評分和評分人數(shù)從高到低綜合排序取前100名，每天上午10點更新。相關數(shù)據(jù)來源于“貓眼電影庫”。

下面是我做的步驟：

（1）查看頁面元素，找到包含圖片的路徑的代碼段落

（2）分析圖片在web上面的唯一屬性，便于之后獲取正確圖片位置信息

（3）因為需要翻頁，觀察多個頁面的URL變化

（4）綜合以上幾個點，編寫合適的正則表達式

 1、python 標準庫中re模塊提供了正則表達式的全部功能，直接引入；requests模塊是http庫，爬蟲常用庫，而urllib.requests 則是最后用到寫入文件的函數(shù)

import re
import requests
import urllib.request

2、先接收URL地址的HTML頁面，然后轉(zhuǎn)化為str形式（正則表達式是匹配字符串），第一個pattern1縮小范圍，抓取目標部分，result1接收匹配的結(jié)果，這時候所有封面圖地址就在里面了

response = requests.get(url)
response = str(response.content)
patttern1 = '<dl class="board-wrapper">.+?<div class="pager-main">'
result1 = re.compile(pat).findall(response)

3、第二個正則，匹配圖片的地址信息

pat2 = '<img data-src="https://(.+?\.jpg)'
photos = re.compile(pat1).findall(re1[0])

這時候爬取到100張圖的信息，如下圖：

 4、繼續(xù)下一步，把每張圖片命名好，需要正確的圖片地址，避免重復 

x = 1
for imgurl in name:
 imgname = 'D:/Top 100/'+str(i/10)+str(x)+'.jpg'
 imgurl = 'https://'+imgurl
 urllib.request.urlretrieve(imgurl,filename=imgname)
 x += 1

 5、最后一步了，因為需要翻頁爬取，所以加了一個循環(huán)，10頁內(nèi)容爬取下來

for i in range(0, 100, 10):
  url = 'http://maoyan.com/board/4?offset='+str(i)
  get_one_page(url, i)
  #定義函數(shù)，多次調(diào)用

相對來說，這是一個很簡單的應用，也是自己學習之后的實踐，在這個例子中，我是用到正則表達式來實現(xiàn)的，還有其他方法，而且可能簡單，比如BeautifulSoup，XPath等方法，用在更加復雜的爬蟲項目里面，需要的知識更多，方法更嚴謹，還需學習學習！

總結(jié)

以上就是這篇文章的全部內(nèi)容了，希望本文的內(nèi)容對大家的學習或者工作具有一定的參考學習價值，謝謝大家對腳本之家的支持。

最新評論