以前我写过一些爬取猫眼电影数据的图文:
今天是最后一篇爬取猫眼电影数据的图文,在往后的计划是针对一些热门的影片爬取用户评论的数据,进行自然语言处理方面的算法实现与可视化。
好了,我们开始吧!
首先,我们看一下「猫眼电影:国内票房榜」对应的网页。
网址为:https://maoyan.com/board/1
其次,我们看一下该网页对应的源码。
从以上源码中,我们可以发现所有的数据全部存储在 dd
标签内,通过 dd
标签内的 p
标签,可以得到“上映时间”、“主演”、“实时票房”、“总票房”的数据,通过 dd
标签内的 a
标签可以得到“电影名称”,以及通过该 a
标签的 href
属性,可以得到对应电影详细信息的网址,上例中对应的网址为:
https://maoyan.com/films/1211727
接着,我们看一下电影详情页的源码。
从上面的源码中,我们发现“电影类型”存储在 li .ellipsis
类中,“电影简介”存储在 dra
类中。只要我们得到爬取网页的 HTML DOM TREE
就可以通过相应的标签和类找到对应的数据。
这里值得注意的是,猫眼电影采取了反爬虫机制对“实时票房”、“总票房”进行了加密处理。我们查找 stonefont
类,发现 猫眼电影 使用 font-face
定义字符集,并通过 unicode
去映射展示,所以我们在网页上看到的是数字,但是在源码中看到的却是别的字符。
如何破解猫眼电影的反爬虫机制呢?我下周二会发布技术图文 《如何利用 C# + Python 破解猫眼电影的反爬虫机制?》来介绍。这里暂且搁置一下。
最后,我们用 Jumony 这套开源代码来获取网页对应的 HTML DOM TREE
,这套开源代码可以在 Github 上下载。下载地址为:
https://github.com/Ivony/Jumony
这里对 Jumony 就不做过多介绍了,要是大家感兴趣,可以在图文下方留言,我后面再写几篇图文来介绍这个工具。
以上对「猫眼电影:国内票房榜」以及对应影片详情的网页进行了详细的分析,也确定了使用的开源工具,下面我们看看具体的代码。
1. 构建存储电影信息的结构Film
public class Film
{
/// <summary>
/// 获取或设置 排名
/// </summary>
public int Num { get; set; }
/// <summary>
/// 获取或设置 名称
/// </summary>
public string MovieName { get; set; }
/// <summary>
/// 获取或设置 类型
/// </summary>
public string Type { get; set; }
/// <summary>
/// 获取或设置 主演
/// </summary>
public string Actor { get; set; }
/// <summary>
/// 获取或设置 上映时间
/// </summary>
public string Time { get; set; }
/// <summary>
/// 获取或设置 实时票房
/// </summary>
public string BoxInfo { get; set; }
/// <summary>
/// 获取或设置 总票房
/// </summary>
public string SumBoxInfo { get; set; }
/// <summary>
/// 获取或设置 简介
/// </summary>
public string Introduction { get; set; }
/// <summary>
/// Markdown 格式化输出
/// </summary>
/// <returns></returns>
public string ToString()
{
string str = Environment.NewLine
+ "---" + Environment.NewLine
+ "## Top" + Num.ToString().PadLeft(2, '0') + " <br>"
+ MovieName + Environment.NewLine
+ "- 类型:" + Type + Environment.NewLine
+ "- 主演:" + Actor + Environment.NewLine
+ "- 上映时间:" + Time + Environment.NewLine
+ "- 实时票房:<span style='color:#E53935'><b>" + BoxInfo
+ "</b></span>" + Environment.NewLine
+ "- 总票房:<span style='color:#757575'><b>" + SumBoxInfo
+ "</b></span>" + Environment.NewLine
+ "- 剧情简介:" + Introduction + Environment.NewLine;
return str;
}
}
2. 获取对应网页的HTML DOM TREE
public static IHtmlDocument GetHtmlDocument(string url)
{
IHtmlDocument document;
try
{
document = new JumonyParser().LoadDocument(url);
}
catch
{
document = null;
}
return document;
}
3. 获取存储票房数据的电影列表 List<Film>
public static List<Film> GetFilmsTicket()
{
List<Film> result = new List<Film>();
string url = "https://maoyan.com/board/1"; //国内票房榜
IHtmlDocument doc = GetHtmlDocument(url);
if (doc == null)
return result;
List<IHtmlElement> lists = doc.Find("dd").ToList();
for (int i = 0; i < lists.Count; i++)
{
List<IHtmlElement> infor = lists[i].Find("p").ToList();
Film item = new Film();
item.Num = i + 1; //排名
string dw, ticket;
List<IHtmlElement> s;
if (infor.Count < 5)
{
// 有些电影没有演员的数据,所以这里分开了。
item.Time = infor[1].InnerHtml().Trim().Remove(0, 5); //上映时间
dw = infor[2].InnerHtml().Trim();
dw = dw.Remove(0, dw.Length - 1); //实时票房单位
s = infor[2].Find(".stonefont").ToList();
ticket = s[0].InnerHtml().Trim(); //加密的实时票房
item.BoxInfo = ticket + dw; //实时票房
dw = infor[3].InnerHtml().Trim();
dw = dw.Remove(0, dw.Length - 1); //总票房单位
s = infor[3].Find(".stonefont").ToList();
ticket = s[0].InnerHtml().Trim(); //加密的总票房
item.SumBoxInfo = ticket + dw; //总票房
}
else
{
item.Actor = infor[1].InnerHtml().Trim().Remove(0, 3); //演员
item.Time = infor[2].InnerHtml().Trim().Remove(0, 5); //上映时间
dw = infor[3].InnerHtml().Trim();
dw = dw.Remove(0, dw.Length - 1); //实时票房单位
s = infor[3].Find(".stonefont").ToList();
ticket = s[0].InnerHtml().Trim(); //加密的实时票房
item.BoxInfo = ticket + dw; //实时票房
dw = infor[4].InnerHtml().Trim();
dw = dw.Remove(0, dw.Length - 1); //总票房单位
s = infor[4].Find(".stonefont").ToList();
ticket = s[0].InnerHtml().Trim(); //加密的总票房
item.SumBoxInfo = ticket + dw; //总票房
}
IHtmlElement a = infor[0].Find("a").ToList()[0]; //获取影片url
item.MovieName = a.InnerHtml().Trim(); //名称
url = "https://maoyan.com" + a.Attribute("href").AttributeValue;
IHtmlDocument temp = GetHtmlDocument(url);
List<IHtmlElement> t = temp.Find("li.ellipsis").ToList();
item.Type = t[0].InnerHtml(); //类型
List<IHtmlElement> b = temp.Find(".dra").ToList();
item.Introduction = b[0].InnerHtml(); //介绍
result.Add(item);
}
return result;
}
4.格式化输出「猫眼电影:国内票房榜」
private List<Film> _lstTicket = new List<Film>(); //票房
private void btnTicket_Click(object sender, EventArgs e)
{
if (_lstTicket.Count == 0)
_lstTicket = FilmHtmlDocument.GetFilmsTicket();
string result = string.Empty;
for (int i = 0; i < _lstTicket.Count; i++)
{
result += _lstTicket[i].ToString()
+ Environment.NewLine
+ "广告" + Environment.NewLine;
}
ShowMarkdownData(result);
ShowInGrid(_lstTicket);
}
表格显示
private void ShowMarkdownData(string str)
{
string temp = Environment.GetEnvironmentVariable("TEMP");
temp += "\\film.txt";
StreamWriter sw = File.CreateText(temp);
sw.Write(str);
Process.Start(temp);
sw.Close();
}
注:此处输出的是已经破解猫眼电影反爬虫机制之后得到的结果,关于如何破解猫眼电影的反爬虫机制,我会在下周二的技术图文中跟大家详细介绍。
5. Markdown
文本的 HTML
渲染
到此为止,关于如何利用 C# 语言爬取「猫眼电影:国内票房榜」及对应影片信息,就介绍完了。大家有什么问题可以在图文的下方给我留言,今天就到这里吧!See You!
相关图文:
经过8年多的发展,LSGO软件技术团队在「地理信息系统」、「数据统计分析」、「计算机视觉」等领域积累了丰富的研发经验,也建立了人才培养的完备体系,欢迎对计算机技术感兴趣的同学加入,与我们共同成长进步。
我们图文推送的计划如下,欢迎大家转发!
周一「图书排行:计算机书籍每周销量排行榜」
周二「技术分享:」
周三「资料分享:」
周四「技术分享:」
周五「猫眼电影:即将上映、最受期待榜」
周六「Github精选:本周10大热门项目」
周日「股市币市:本周交易数据分析与最新公告」
联系客服