這是棲落的電影網(wǎng)站地址：https://xxx.xxx

進(jìn)入網(wǎng)頁，顯示：

?爬取目標(biāo)：電影的名稱、觀影人數(shù)和評(píng)分。

易知本網(wǎng)站的url

url = "https://xxx.xxx"

本網(wǎng)站會(huì)識(shí)別出headers中的python請(qǐng)求而拒絕訪問，所以需要更改headers當(dāng)中的信息

user-agent:

?Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/110.0.0.0 Safari/537.36 Edg/11.0.1587.41

對(duì)應(yīng)的代碼為：

headers = {
? ? "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/110.0.0.0 Safari/537.36 Edg/11.0.1587.41"
}?

選中目標(biāo)

?利用正則表達(dá)式匹配相應(yīng)的信息。

obj = re.compile(r'<li>.*?標(biāo)志1.*?標(biāo)志2.*?標(biāo)志1.*?標(biāo)志2.*?標(biāo)志1.*?標(biāo)志2.*?</li>',re.S)

紅色的.*?匹配需要的信息，其余的過濾掉多余的信息，各個(gè)標(biāo)志為.*?的左右端的關(guān)鍵信息，r為requests模塊返回的text文本。?

并且我們需要為匹配的信息賦予相應(yīng)的意義，即名、觀影人數(shù)和評(píng)分。

利用(?<別名>)

obj = re.compile(r'<li>.*?標(biāo)志1(?P<name>.*?)標(biāo)志2.*?標(biāo)志1(?P<num>.*?)標(biāo)志2.*?標(biāo)志1<?P<score>.*?)標(biāo)志2.*?</li>',re.S)

把匹配的對(duì)象放入list中以便遍歷。

result = obj.finditer(r)

遍歷且以一定格式輸出。

?for it in result:
? ? print("{:<10s}{:<5s{<5s}".format(it.group("name"),it.group("num"),it.group("score")))

參考代碼：?

import requests
import re#獲取頁面信息
url = "https://xxx.xxx"
headers = {"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/110.0.0.0 Safari/537.36 Edg/11.0.1587.41"
}
r = requests.get(url,headers=headers)
r = r.text
#print(r)
#解析頁面
obj = re.compile(r'<li>.*?<span class="title">(?P<name>.*?)</span>.*?<br>(?P<num>.*?)&nbsp.*?<span class="rating_num" property="v:average">(?P<score>.*?)</li>',re.S)
#匹配
result = obj.finditer(r)
#輸出
for it in result:print("{:<10s}{:<5s{<5s}".format(it.group("name"),it.group("num"),it.group("score")))

輸出結(jié)果：?

小結(jié)：?

如何爬取本站？

1. 確定url
2. 更改headers
3. 請(qǐng)求頁面信息
4. 正則匹配
5. 輸出

提問 ：

re.compile是啥？

compile 函數(shù)用于編譯正則表達(dá)式，生成一個(gè)正則表達(dá)式（ Pattern ）對(duì)象。

語法格式如下：re.compile(pattern，[flags])

參數(shù)：

pattern : 一個(gè)字符串形式的正則表達(dá)式

flags : 可選，表示匹配模式，比如忽略大小寫，多行模式等，具體參數(shù)為：

• re.I ：忽略大小寫
• re.L ：表示特殊字符集 \w, \W, \b, \B, \s, \S 依賴于當(dāng)前環(huán)境
• re.M ：多行模式
• re.S ：即為 . 并且包括換行符在內(nèi)的任意字符（. 不包括換行符）
• re.U ：表示特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S 依賴于 Unicode 字符屬性數(shù)據(jù)庫
• re.X ：為了增加可讀性，忽略空格和 # 后面的注釋

?finditer是啥？

finditer 返回一個(gè)可迭代對(duì)象