Python学习记录-爬取猫眼电影top100榜单

安装pycharm-爬取网页内容

在网易云课堂中找到的学习视频，很适合入门级别开发者
http://study.163.com/course/courseLearn.htm?courseId=1003735019#/learn/video?lessonId=1004300315&courseId=1003735019

---

个人总结

1.让控制台显示的内容换行：view->Active Editor 让 Use Soft Wraps 不被勾选
2.文件存储：with
open(文件名，读写方式，encoding=“编码格式”)
3.json转字符串:json.dumps(json对象,
ensure_ascii=False)
4.引进requests包
5.str.strip()[3:],截取前三个字符以外的片段
6.进程使用：Pool
7.正则表达式：使用正则表达式，要先将网页内容爬取出来，根据实际爬取的内容写正则式，因为网页中的文件和实际爬取得文件结构可能不一致。

代码如下：

import json
import re
from multiprocessing.dummy import Pool

import requests
from requests.exceptions import RequestException
def get_one_page(url):
    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],
            'name': item[2],
            'actor': item[3],
            'time': item[4],
            'score': item[5]+item[6]
        }

def write_to_file(content):
    with open('result.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)
    #print(html)
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)

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

运行结果如下: