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