【Python】Requests+正则表达式 爬取猫眼电影TOP100

标签: Python  Requests  正则表达式  爬虫  Linux

【Python】网络爬虫原理

1.先获取到一个页面,状态码200是成功返回

def get_one_page(url):
    # 获取一个页面
    try:
        response = requests.get(url)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None

2.解析一个页面,先创建一个正则表达式对象,接着进行正则匹配,然后通过键值对形式存储

def parse_one_page(html):
    pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'
                         '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                         '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)
    items = re.findall(pattern,html)
    for item in items:
        yield {
            'index': item[0],
            'image': item[1],
            'title': item[2],
            'actor': item[3].strip()[3:],
            'time':  item[4].strip()[5:],
            'score': item[5]+item[6]
        }

3.写入文件中,encoding=”“和ensure_ascii=''“用来存储中文字符

def write_to_file(content):
    with open('Top100.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False)+'\n')
        f.close()

最后附上完整的源代码

import json
import requests
from requests.exceptions import RequestException
import re
from multiprocessing import Pool


def get_one_page(url):
    # 获取一个页面
    try:
        response = requests.get(url)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None


def parse_one_page(html):
    pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'
                         '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                         '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)
    items = re.findall(pattern,html)
    for item in items:
        yield {
            'index': item[0],
            'image': item[1],
            'title': item[2],
            'actor': item[3].strip()[3:],
            'time':  item[4].strip()[5:],
            'score': item[5]+item[6]
        }


def write_to_file(content):
    with open('Top100.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False)+'\n')
        f.close()


def main(offset):
    url = "http://maoyan.com/board/4?offset=" + str(offset)
    html = get_one_page(url)
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)


if __name__ == "__main__":
    pool = Pool()
    pool.map(main, [i*10 for i in range(10)])

注:由于使用了线程池,因此不一定按顺序存储。但是速度上快了许多,如果对速度要求不高,期望按顺序存储可以不使用线程池,直接调用main(offset)方法即可!附上效果图:

原文链接:加载失败,请重新获取