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爬虫学习==>第十章:使用Requests+正则表达式爬取猫眼电影

程序员文章站 2022-04-15 19:43:50
学习目的: 通过一个一个简单的爬虫应用,初窥门径。 正式步骤 Step1:流程框架 Step2:实际步骤+分析 1. 在pycharm中新建一个Python项目,新建一个文件spider.py 2.运行代码: 运行结果不添加了,此外,最后注释掉的代码,功能是非多线程的 学习总结: 爬虫涉及的Pyth ......

学习目的:

   通过一个一个简单的爬虫应用,初窥门径。

 

正式步骤


 

Step1:流程框架

  1.  抓取单页内容:利用requests请求目标站点,得到单个页面的html代码,返回结果;
  2. 正则表达式分析:根据html页面代码分析得到猫眼电影的名称、主演、上映时间、评分、图片信息等;
  3. 保存至文件:通过文件的形式将结果保存,每一部电影一个结果一行json字符串;
  4. 开启循环及多线程:对页面内容进行遍历,开启多线程提高抓取效率

 

Step2:实际步骤+分析

1. 在pycharm中新建一个Python项目,新建一个文件spider.py

2.运行代码:

# -*-  coding:utf-8 -*-

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

def get_page_html(url):
    #设置headers是猫眼加了反爬机制
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'
    }
    try:
        response = requests.get(url,headers=headers)
        if response.status_code == 200:
            return response.text
        return None  #如果页面状态码不为200,则函数终止
    except RequestException:
        return None  #如果测试代码异常,则无返回,函数结束

def parse_page_html(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],
            'name':item[2],
            'actor':item[3].strip()[3:],
            'date':item[4].strip()[5:],
            'score':item[5]+item[6]

        }

def save_file(content):
    with open("detail.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_page_html(url)
    for detail in parse_page_html(html):
        save_file(detail)


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

 

运行结果不添加了,此外,最后注释掉的代码,功能是非多线程的 

 

 

学习总结:


 

   爬虫涉及的Python基础应用非常多,还是那个8/2原则,先掌握20%最常用的,最重要的,再慢慢熟悉80%需要学会用即可的功能