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。
接下来就是构造主函数,初始化各个模块,传入入口URL,按照运行流程执行上面三大模块:
1def main(offset):
2 url = 'http://maoyan.com/board/4?offset=' + str(offset)
3 html = get_one_page(url)
4 for item in parse_one_page(html):
5 print(item)
6 write_to_file(item)
7if __name__ == '\_\_main\_\_':
8 p = Pool()
9 p.map(main,[i*10 for i in range(10)])
注意:
为了提高速度,我们引入Pool模块,用多线程并发抓取。
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
二、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
三、入门学习视频
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
加入社区:https://bbs.csdn.net/forums/4304bb5a486d4c3ab8389e65ecb71ac0