欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python爬虫实战之Requests+正则表达式爬取猫眼电影Top100

程序员文章站 2022-10-04 18:27:16
网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。 ......
import requests
from requests.exceptions import requestexception
import re
import json
# from multiprocessing import pool

# 测试了下 这里需要自己添加头部 否则得不到网页
headers = {
    'user-agent':'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/70.0.3538.102 safari/537.36'
}
# 得到html代码
def get_one_page(url):
    try:
        response = requests.get(url, headers = headers)
        if response.status_code == 200:
            return response.text
        return none
    except requestexception:
        return none

# 解析html代码
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:
        # 将元组形式变为字典
        yield {
            '【排名】': item[0],
            '【图片】': item[1],
            '【标题】': item[2],
            '【主演】': item[3].strip()[3:],
            '【上映时间】': item[4].strip()[5:],
            '【评分】': item[5] + item[6]
        }

# 写入文件
def write_to_file(content):
    # 注意encoding = 'utf-8'和ensure_ascii = false,不写的话不能输出汉字
    with open('电影.txt', 'a', encoding = 'utf-8') as f:
        f.write(json.dumps(content, ensure_ascii = false) + '\n')
        f.close()

# 主函数
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__':
    for i in range(10):
        main(i * 10)

# 多进程(测试有bug)
# if __name__ == '__main__':
#     pool = pool()
#     pool.map(main, [i * 10 for i in range(10)])
#     pool.join()
#     pool.close()

代码来自崔庆才