目录

• [爬虫Demo] pyquery+csv爬取猫眼电影top100
  • 站点分析
  • 代码君

[爬虫Demo] pyquery+csv爬取猫眼电影top100

站点分析

https://maoyan.com/board/4?offset=0

翻页操作只会改变offset偏移量，每部电影的信息都在dd标签内，使用pyquery库中的css选择器直接解析页面

代码君

• css选择器直接选择和使用find()方法的区别：find()用于选择子节点，因此限定了选择的区域，速度可能要快些，直接传入‘’选择器可能要全盘扫描（这里只是为了我自己方便记忆，信息可能有误，欢迎指出）
• 一般先直接传入选择器选择出包含所需信息的大标签，再使用find()选择大标签里面的细节信息
• 还有需要注意的一点是，不能直接在Elements选项卡中直接查看源码，那里的源码可能经过JavaScript渲染而与原始请求不同，而是需要从Network选项卡部分查看原始请求得到的源码

使用csv格式存储：相比txt格式，csv格式更利于数据存储和处理，大规模数据可以使用数据库存储

#use pyquery get the data and save as csv
from pyquery import PyQuery as pq #as是为PyQuery类取一个别名
import csv
import time

begin=time.clock() #添加程序开始时间

def get_page(url):
    headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36'
    }
    #添加头部信息，防止被网站识别出是python爬虫而被禁止访问
    doc=pq(url,headers=headers)
    return doc

def parse_page(doc):
    dict={}
    dd=doc('.board-wrapper').find('dd')
    '''yield在函数中的功能类似于return，不同的是yield每次返回结果之后函数并没有退出，而是每次遇到yield关键字后返回相应结果，并保留函数当前的运行状态，等待下一次的调用。如果一个函数需要多次循环执行一个动作，并且每次执行的结果都是需要的，这种场景很适合使用yield实现。'''
    for item in dd.items():
        yield { #返回一个字典
            'rank':item.find('.board-index').text(),
            'name':item.find('.name').text(),
            'img':item.find('.board-img').attr('data-src'),
            'star':item.find('.star').text(),
            'time':item.find('.releasetime').text().strip(),#strip(）转化为字符串去除前后空格，strip()[3:]表示从取下标从3的位置开始到文件结尾
            'score':item.find('.score').find('.integer').text().strip()+item.find('.score').find('.fraction').text().strip(),
        }

def write_to_file(item): #接收一个字典
    writer.writerow((item['rank'],item['name'],item['img'],item['star'],item['time'],item['score']))

def main():
    for i in range(10):
        url='https://maoyan.com/board/4?offset='+str(i*10)
        doc=get_page(url)
        #print(doc)
        for item in parse_page(doc):
            print(item)
            write_to_file(item)
        #线程推迟1s,一些反爬取网站,如果速度过快会无响应,故增加一个延时等待
        time.sleep(1)

if __name__ == '__main__':
    f = open('test.csv', 'a', newline='', encoding='utf-8')
    writer = csv.writer(f)
    writer.writerow(('Rank','Name','Picture','Star','Time','Score'))#写入头部信息
    main()
    f.close() #手动关闭文件对象
    end=time.clock() #添加程序结束时间
    # 输出CPU耗时,不包括线程推迟的时间,是正常情况下（不考虑等待）程序的耗时
    print("爬取完毕,CPU耗时：%f s"%(end-begin))

使用文本txt格式存储

'''pyquery get the data and save as txt'''
import json
import time
import requests
from pyquery import PyQuery as pq

def get_page(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36'
    }
    doc=pq(url)
    return doc

def parse_page(doc):

     dd=doc('.board-wrapper').find('dd')

     for item in dd.items():
         yield {
             'index': item.find('.board-index').text(),
             'image': item.find('.board-img').attr('data-src'),
             'title': item.find('.name').text(),
             'actor': item.find('.star').text().strip()[3:],
             'time': item.find('.releasetime').text(),
             'score': item.find('.score').find('.integer').text().strip() + item.find('.score').find(
                 '.fraction').text().strip()
         }

def write_to_file(item):
    with open('test.csv','a',encoding='utf-8') as f:
        f.write(json.dumps(item,ensure_ascii=False)+'\n')#False表示不使用ascii表示中文，可以直接显示中文

def main():
    for i in range(10):
        url = 'https://maoyan.com/board/4?offset='+str(i*10)
        doc=get_page(url)
        for item in parse_page(doc):
            print(item)
            write_to_file(item)

原文地址：https://www.cnblogs.com/sstealer/p/11393524.html