引言
本节我们利用requests库和正则表达式来抓取猫眼电影TOP的相关内容。requests比urllib使用更加方便，而且目前我们还没有系统学习HTML解析库，所以这里就选用正则表达式来作为解析工具。
本节目标
本节中，我们要提取猫眼电影TOP的电影名称、时间、评分、图片等信息，提取的站点URL如图所示：
提取的结果会以文件的形式保存下来。
抓取分析
在我们抓取之前，请确保已经正确安装好了requests库。我们打开我们需要爬取的站点就可以查看到榜单信息，如上图所示。
排名第一的电影是霸王别姬，页面中显示的有效信息有影片名称、主演、上映时间、上映地区、评分、图片等信息。
将网页滚动到最下方，可以发现有分页的列表，直接点击第2页，观察页面的URL和内容发生了怎样的变化，如图所示：
我们可以看到此时页面的URL多了一部分的参数，那就是offset=10，而且目前显示的结果是排行11-20名的电影，我们可以初步判断这是一个偏移量的参数。再点击下一页，发现页面的URL中的offset参数变成了20，而显示的结果是排行21-30的电影。
由此可以总结出规律，offset代表偏移量，如果偏移量为n，则显示的电影序号就是n+1到n+10，每页显示10个。所以，如果想要获取TOP电影，只需要分开请求10次，而10次的offset参数分别设置为0,10,20……90即可，这样获取不同的页面之后，再用正则表达式提取出相关信息，就可以得到TOP的所有电影信息了。
抓取首页
接下来用代码实现这个过程。首先抓取第一页的内容，我们实现了get_one_page()方法，并给它传入url参数。然后将抓取的页面结果返回，再通过main()方法调用。初步代码实现如下：
这样运行之后，就可以成功获取首页的源代码了。获取源代码之后，就需要解析页面，提取出我们想要的信息了。
正则提取
接下来，回到网页看一下页面的真实源码。在开发者模式下的Network监听组件中查看源代码。如下图所示：
源代码注意，这里不要在Elements选项卡中直接查看源码，因为那里的源码可能经过JavaScript操作而与原始请求不同，而是需要从Network选项卡部分查看原始请求得到的源码。
查看其中一个条目的源代码，如图所示：
可以看到，一部电影信息对应的源代码是一个dd节点，我们用正则表达式来提取这里面的一些电影信息。首先，需要提取它的排名信息。而它的排名信息是在class为board-index的i节点内，这里利用非贪婪匹配来提取i节点内的信息，正则表达式写为：dd.*?board-index.*?(.*?)/i
随后需要提取电影的图片。可以看到，后面有a节点，其内部有两个img节点。经过检查后发现，第二个img节点的data-src属性是图片的链接。这里提取第二个img节点的data-src属性，正则表达式可以改写如下：
dd.*?board-index.*?(.*?)/i.*?data-src=(.*?)
再往后，需要提取电影的名称，它在后面的p节点内，class为name。所以，可以用name做一个标志位，然后进一步提取到其内a节点的正文内容，此时正则表达式改写如下：
dd.*?board-index.*?(.*?)/i.*?data-src=(.*?).*?name.*?a.*?(.*?)/a
再提取主演、发布时间、评分等内容时，都是同样的原理。最后，正则表达式写为：
dd.*?board-index.*?(.*?)/i.*?data-src=(.*?).*?name.*?a.*?(.*?)/a.*?star.*?(.*?)/p.*?releasetime.*?(.*?)/p.*?integer.*?(.*?)/i.*?fraction.*?(.*?)/i.*?/dd
这样一个正则表达式可以匹配一个电影的结果，里面匹配了7个信息。接下来，通过调用findall()方法提取出所有的内容。
接下来，我们再定义解析页面的方法parse_one_page()，主要通过正则表达式来从结果中提取出我们想要的内容，实现代码如下：
这样就可以成功地将一页的10个电影信息都提取出来，这是一个列表形式，输出结果如下：
但是这样还不够，数据比较杂乱，我们再将匹配结果处理一下，遍历提取结果，此时方法改写如下：
这样我们就成功提取了单页的电影信息啦。