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

Python学习记录-爬取猫眼电影top100榜单

程序员文章站 2022-05-02 13:25:43
...

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:
Python学习记录-爬取猫眼电影top100榜单