python爬虫基础案例——爬取猫眼电影并保存数据到excel_爬取猫眼电影数据

好久没更新博文了，最近忙于学习scrapy框架和微信小程序开发，今天看到一个自己之前写的但是中途放弃的爬虫小案例——爬取猫眼电影TOP100榜的相关数据，现在将它写好并分享给大家。

爬虫的套路就是通过url发送请求，获取数据，在解析数据，最后保存数据。

一、模块

根据套路，选择好要使用的模块/库，这里用的模块/库是

import requests
from lxml import etree
import pandas as pd

二、正文

1.比较url，比较url变化规律，从而得到base_url

 如图，根据不同的页面发现url的规律是offset的变化。因此可以得到base_url就是

https://maoyan.com/board/4?offset={}，待会通过format函数构建完整的url。

2.获取headers

 在该页面1右键检查，2点击network，3点击左上角刷新按钮，4点击图中的网址，在右边找到user-Agent，referer和cookie并组成字典形式

注：该网址可能只需要这三个中的其中一两个，可自行删除尝试是否可行。

headers = {
            'Referer': 'https://maoyan.com/board/4?requestCode=e83854272b2bff27fb25137346aeb714bbj90&offset=10',
            'Cookie': '__mta=247404475.1629885283786.1629887482215.1629893884124.8; uuid_n_v=v1; uuid=7868E9D0058A11ECAEE0416AA74DE6B1A0A2AC49E1604153A8082BAC6B403331; _csrf=0032460ef4cb4cbc03a01838a3100aeb3daef130e0ac4b0cd03e52ab9ff596fb; Hm_lvt_703e94591e87be68cc8da0da7cbd0be2=1628220737,1628236529,1628653354,1629885284; _lxsdk_cuid=17a469fab1dc8-04e619bda8b373-3f356b-144000-17a469fab1dc8; _lxsdk=7868E9D0058A11ECAEE0416AA74DE6B1A0A2AC49E1604153A8082BAC6B403331; Hm_lpvt_703e94591e87be68cc8da0da7cbd0be2=1629893884; _lxsdk_s=17b7d3ef5ea-f43-47d-9b1%7C%7C3',
            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.70 Safari/537.36'
        }

3.构建url，发送请求

在这里由base_url构建最终的url不止一个，所有要用到for循环，每构建一个url，就执行一次发送请求、获取数据、解析数据、保存数据。

for i in range(10):
    url = base_url.format(str(i * 10))
    response = requests.get(url, headers=headers)
    # print(response.text)

4.解析数据

这里使用的是lxml库来解析和提取HTML中的数据。

在for循环中（部分代码接上，以便更加顺畅，易懂）

    response = requests.get(url, headers=headers)
    # print(response.text)
    html = response.text
    xp = etree.HTML(html)

接下来就需要用到xpath语法了，当然也可以在浏览器中直接copy xpath。

解析出网页后，我们需要获取每个电影的节点列表

 从中可以发现该页面的所有电影信息都在<div class="main">...</div>中。

lis = xp.xpath('//*[@id="app"]/div/div/div[1]')

这样我们就得到了电影节点列表。

接下来在电影列表中遍历每一部电影，在从每一部电影中遍历排名，片名，主演，上映时间，评分。因此需要两个for循环，

    for li in lis:
        for n in range(0, 10):
            paiming = li.xpath('//*[@id="app"]/div/div/div[1]/dl/dd/i/text()')[n]
            pianming = li.xpath('//*[@id="app"]/div/div/div[1]/dl/dd/div/div/div[1]/p[1]/a/text()')[n]
            zhuyan = li.xpath('//*[@id="app"]/div/div/div[1]/dl/dd/div/div/div[1]/p[2]/text()')[n].strip().replace("主演：", "")
            shijian = li.xpath('//*[@id="app"]/div/div/div[1]/dl/dd/div/div/div[1]/p[3]/text()')[n].replace("上映时间：", "")

这段代码需重点关注，1要获取文本内容，则需要在xpath语法最后加/text()，2如下

 可以将xpath在浏览器中试试看，例：//*[@id="app"]/div/div/div[1]/dl/dd[1]/div/div/div[1]/p[1]/a的结果为 我不是药神，分析节点，若删除dd后的[1]，最终结果就是该页面所有片名，

改变dd[]中的值，结果也不同，所有我们只需要dd就行，每个xpath后面的[n]表示获取第n个数据。3由于主演和上映时间爬出来的数据中有“主演：”和“上映时间：”，具有重复性，并且影响美观。因此用replace()函数将其替换为空（删除）。

 如图，由于评分被拆开了，所有要进行拼接，拼接出来的为str类型，你也可以将它转变一下类型。

            # 由于分数被拆成了两个i节点，所有要分别获取并进行拼接
            score1 = li.xpath('//*[@id="app"]/div/div/div[1]/dl/dd/div/div/div[2]/p/i[1]/text()')[n]
            score2 = li.xpath('//*[@id="app"]/div/div/div[1]/dl/dd/div/div/div[2]/p/i[2]/text()')[n]
            score = score1 + score2

5.保存数据到excel

df = []
columns = ['排名', '片名', '主演', '上映时间', '评分']
b = df.append([paiming, pianming, zhuyan, shijian, score])
# dataframe是二维数组，columns将上面的标题行插入到二维数组中
d = pd.DataFrame(df, columns=columns)
# index=False表示输出不显示索引值
d.to_excel("猫眼电影.xlsx", index=False)

 这其实是一个模板，首先定义一个空的列表，然后将解析的数据以列表形式添加，接着dataframe表示二维数组，将这些数据以二维数组形式保存。

三、所有代码及结果展示

import requests
from lxml import etree
import pandas as pd
df = []
# 注：猫眼电影有时要滑块验证，所以print打印出来为猫眼验证中心,要先登录网址通过滑块验证
base_url = 'https://maoyan.com/board/4?offset={}'
headers = {
            'Referer': 'https://maoyan.com/board/4?requestCode=e83854272b2bff27fb25137346aeb714bbj90&offset=10',
            'Cookie': '__mta=247404475.1629885283786.1629887482215.1629893884124.8; uuid_n_v=v1; uuid=7868E9D0058A11ECAEE0416AA74DE6B1A0A2AC49E1604153A8082BAC6B403331; _csrf=0032460ef4cb4cbc03a01838a3100aeb3daef130e0ac4b0cd03e52ab9ff596fb; Hm_lvt_703e94591e87be68cc8da0da7cbd0be2=1628220737,1628236529,1628653354,1629885284; _lxsdk_cuid=17a469fab1dc8-04e619bda8b373-3f356b-144000-17a469fab1dc8; _lxsdk=7868E9D0058A11ECAEE0416AA74DE6B1A0A2AC49E1604153A8082BAC6B403331; Hm_lpvt_703e94591e87be68cc8da0da7cbd0be2=1629893884; _lxsdk_s=17b7d3ef5ea-f43-47d-9b1%7C%7C3',
            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.70 Safari/537.36'
        }
columns = ['排名', '片名', '主演', '上映时间', '评分']
for i in range(10):
    url = base_url.format(str(i * 10))
    response = requests.get(url, headers=headers)
    print(response.text)
    html = response.text
    xp = etree.HTML(html)
    # print(xp)
    lis = xp.xpath('//*[@id="app"]/div/div/div[1]')
    # print(lis)
    for li in lis:
        for n in range(0, 10):
            paiming = li.xpath('//*[@id="app"]/div/div/div[1]/dl/dd/i/text()')[n]
            pianming = li.xpath('//*[@id="app"]/div/div/div[1]/dl/dd/div/div/div[1]/p[1]/a/text()')[n]
            zhuyan = li.xpath('//*[@id="app"]/div/div/div[1]/dl/dd/div/div/div[1]/p[2]/text()')[n].strip().replace("主演：", "")
            shijian = li.xpath('//*[@id="app"]/div/div/div[1]/dl/dd/div/div/div[1]/p[3]/text()')[n].replace("上映时间：", "")
            # 由于评分被拆成了两个i节点，所有要分别获取并进行拼接
            score1 = li.xpath('//*[@id="app"]/div/div/div[1]/dl/dd/div/div/div[2]/p/i[1]/text()')[n]
            score2 = li.xpath('//*[@id="app"]/div/div/div[1]/dl/dd/div/div/div[2]/p/i[2]/text()')[n]
            score = score1 + score2
            b = df.append([paiming, pianming, zhuyan, shijian, score])
            # dataframe是二维数组，columns将上面的标题行插入到二维数组中
            d = pd.DataFrame(df, columns=columns)
            # index=False表示输出不显示索引值
            d.to_excel("猫眼电影.xlsx", index=False)
 
 

四、总结

这个爬虫案例是今天刚发现之前还没完成的，所有就将它完成了，难点应该就在xpath那块。

这也给我们一个启发：当时做不出的案例可以先放一放，到后面再会过去写完程序，但是要记得不要忘记之前没写出来的案例！！