50行Python代码教你爬取猫眼电影TOP100榜所有信息_猫眼电影大数据推荐python代码

本文链接：https://blog.csdn.net/2401_84181481/article/details/138477697

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

HTML下载器：利用requests模块下载HTML网页;
HTML解析器：利用re正则表达式解析出有效数据;
数据存储器：将有效数据通过文件或者数据库的形式存储起来;

一、构造HTML下载器

 1import requests  
 2from requests.exceptions import RequestException  
 3headers = {'User-Agent':'Mozilla/5.0 '}  
 4def get\_one\_page(url):  
 5    try:  
 6        res = requests.get(url,headers = headers)  
 7        if res.status_code == 200:  
 8            return res.text  
 9        return None  
10    except RequestException:  
11        return None

二、构造HTML解析器

 1def parse\_one\_page(html):  
 2    pattern = re.compile('<dd>.\*?board-index.\*?>(\d+)</i>.\*?data-src="(.\*?)".\*?name"><a'  
 3                         +'.\*?>(.\*?)</a>.\*?star">(.\*?)</p>.\*?releasetime">(.\*?)</p>'  
 4                         +'.\*?integer">(.\*?)</i>.\*?fraction">(.\*?)</i>.\*?</dd>',re.S)  
 5    items = re.findall(pattern,html)  
 6    for item in items:  
 7        yield{  
 8            'index': item[0],  
 9            'image': item[1],  
10            'title': item[2],  
11            'actor': item[3].strip()[3:],  
12            'time': item[4].strip()[5:],  
13            'score': item[5] + item[6]  
14        }

注意：

在函数中本来该return的地方用yield，如果用return，在第一轮循环就会跳出，结果文件只会有一部电影。如果用yield，函数返回的就是一个生成器，而生成器作为一种特殊的迭代器，可以用for——in方法，一次一次的把yield拿出来；
re.findall(pattern,string[,flags])：搜索整个string，以列表的形式返回能匹配的全部子串，其中参数是匹配模式，如re.S表示点任意匹配模式，改变“.”的行为。

三、构造数据存储器

1def write\_to\_file(content):  
2    with open ('result.txt', 'a',encoding='utf-8') as f:  
3        f.write(json.dumps(content,ensure_ascii=False) + '\n')  
4        f.close()

注意事项：

为什么ensure_ascii=False？原因是json默认是以ASCII来解析code的，由于中文不在ASCII编码当中，因此就不让默认ASCII生效；
要写入特定编码的文本文件，请给open()函数传入encoding参数，将字符串自动转换成指定编码。细心的童鞋会发现，以’w’模式写入文件时，如果文件已存在，会直接覆盖（相当于删掉后新写入一个文件）。如果我们希望追加到文件末尾怎么办？可以传入’a’以追加（append）模式写入。