爬虫之 work

http://www.mtime.com/top/movie/top100/

import os
import requests
from pyquery import PyQuery as pq

代码解析：

class Model():
    def __repr__(self):
        name = self.__class__.__name__
        properties = ('{}=({})'.format(k, v) for k, v in self.__dict__.items())
        s = '\n<{} \n  {}>'.format(name, '\n  '.join(properties))
        return s

class Movie(Model):
    def __init__(self):
        self.name = ''
        self.jury = ''
        self.score = 0
        self.quote = ''
        self.cover_url = ''
        self.ranking = 0

继承 Model 基类，这里主要通过属性存储数据，设定默认值；

def cached_page(url):
    folder = 'cached'
    if not os.path.exists(folder):
        os.makedirs(folder)

    # 为什么不能用find（）
    if '-' in url:
        filename = '{}.html'.format(url.split('-', 1)[-1].split('.', 1)[0])
        # print(filename)
    else:
        filename = '1.html'
        # print(filename)

    # 妈的
    path = os.path.join(folder, filename)
    # path.replace('\\', '/')
    # print(path)
    if os.path.exists(path):
        with open(path, 'rb') as f:
            s = f.read()
            return s
    else:
        r = requests.get(url)
        with open(path, 'wb') as f:
            f.write(r.content)
            return r.content

os.path 返回当前路径；
判断路径下是否存在该文件夹，否则创建一个；

def movie_from_li(li):
    e = pq(li)
    m = Movie()
    # 怎么找到父元素众多类子元素中的第一个
    m.name = e('.mov_con').find('.px14').find('a').text()
    m.jury = e('.mov_point').find('p').text()
    # 怎么精简，主演怎么合并到一起
    m.score = e('.mov_point').find('.total').text() + e('.mov_point').find('.total2').text()
    # print(e('.mov_point').find('.total').text() + e('.mov_point').find('.total2').text())
    m.quote = e('.mt3').text()
    m.cover_url = e('img').attr('src')
    m.ranking = e('.number').find('em').text()
    return m

这里要继续将 li 元素实例化为 pyquery 对象，才能进行 css 选择操作。
m.name = e('.mov_con').find('.px14').find('a').text() 这个为什么不需要实例化就能使用 .find() 方法了呢？上面的 li 是遍历 find() 拿到的数据；这是一个连缀。
元素的文本数据由 .text() 方法拿到，input 元素的文本数据由 .value 属性拿到，属性由 .attr(‘src’) 方法拿到；
最后返回一个类的实例，储存着爬取的数据；

def movies_from_url(url):
    page = cached_page(url)
    # 支持 css 语法的对象
    e = pq(page)
    # find（）方法可以返回一个列表（如果找的元素较多的话）
    lis = e('#asyncRatingRegion').find('li')
    # print(lis)
    movies = [movie_from_li(i) for i in lis]
    return movies

cached_page(url) 函数返回页面的 HTML 内容，pq(page) 将 HTML内容转换为 PyQuery 实例，实现 css（jQuery）的选择功能。
.find() 方法返回的是具备条件的所有后代（子、孙...），不能 [0]（那么如何精确定位到第几个呢？）；

def main():
    for i in range(1, 11):
        if i == 1:
            url = 'http://www.mtime.com/top/movie/top100/'
        else:
            url = 'http://www.mtime.com/top/movie/top100/index-{}.html'.format(i)
        movies = movies_from_url(url)

    # url = 'http://www.mtime.com/top/movie/top100/'
    # movies = movies_from_url(url)
        print('top100 movies', movies)

if __name__ == '__main__':
    main()

时光网100部电影用10个页面盛放，url 有一定的规律，通过遍历 url 爬取相应的页面。
第一个页面路径后面没有 .html，所以需要单独交代；
小知识点：

.find() 获得的是所有的后代（子、孙...）元素，.querySelector() 获得第一个元素，.querySelectorAll() 获得所有；
python str.find(a, 1)，字符串的find()方法返回的是子串在母串中的位置，没有返回-1，后面的参数1表示第一个子串a；

二、下载图片

三、伪装登录

四、动态内容爬取

爬虫之 work

推荐阅读更多精彩内容