【爬虫】一次爬取某瓣top电影前250的学习记录
先贴上爬取的脚本：
import requests
import re
for i in range(1,11):
num=(i-1)*25
url=f"https://movie.douban.com/top250?start={num}&filter="
head={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36"}#伪造请求头
res=requests.get(url,headers=head)
#print(res.text)
format=re.compile(r'<div class="item">.*?<span class="title">(?P<name>.*?)</span>',re.S)
data=format.finditer(res.text)
for i in data:
dic=i.groupdict()
print(dic)
首先导入requests库，主要是对网站发起请求
然后就是re库，主要是在python中能够使用正则表达式匹配
url=f"https://movie.douban.com/top250?start={num}&filter="
这边url中加上f是为了能识别num变量，主要是为了能识别多个网页
head={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36"}
修改请求头，因为某瓣有反爬机制，不修改的，该请求头默认为python的标识，修改的请求头可在f12的netword数据中获取
该请求头随意修改就行，合理就行
format=re.compile(r'<div class="item">.*?<span class="title">(?P<name>.*?)</span>',re.S)
这里是re的compile函数，可以写正则表达式为后续使用，re.S是为了匹配到换行符，因为.*?中的.是没办法匹配到换行符的，?P<name>,是将匹配到的数据存到name分组中
data=format.finditer(res.text)
进行正则匹配，finditer将匹配的数据存入迭代器，方便后面for循环
for i in data:
dic=i.groupdict()
print(dic)
这里的groupdict是将分组数据提取出来，是以字典的形式
测试结果如下：