Requests+正则表达式爬取猫眼电影TOP100

通过这篇文章为大家介绍崔庆才老师对Python爬虫Selenium库的讲解，包括基本原理及其理论知识点

本文共有约500字，建议阅读时间5分钟，并且注重理论与实践相结合

觉得文章比较枯燥和用电脑观看的可以点击阅读原文即可跳转到CSDN网页

目录：

一、目标站点分析

二、流程框架

三、爬虫实战

一、目标站点分析（http://maoyan.com/board/4）

二、流程框架

1. 抓取单页内容：利用requests请求目标站点得到单个网页的HTML代码，返回结果.

2. 正则表达式分析：根据HTML代码分析得到电影名称、主演、上映时间、评分、图片链接等信息

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：对多项内容遍历，开启多线程提高抓取速度

三、爬虫实战

requests的官方文档：http://www.python-requests.org/en/master/（API那关于exceptions异常处理文档）

1. 需要引入的库

   

2. 获取URL（最好养成加header的习惯，减少被禁访问的可能性）

   
   

   

3. 匹配过程（保证起始字符串都在）

   
   

   

4. 文件写入

   
   

   

   

5. 主程序设计

   
   

   

6. 运行主程序

   
   

   

7. 最后，大家可以试一下豆瓣电影或是最好大学网抓取数据

http://www.zuihaodaxue.cn/zuihaodaxuepaiming2018.html

https://movie.douban.com/chart

import requests
from requests.exceptions import RequestException#异常处理
import re
import json
from multiprocessing import Pool#多线程工具，提高处理速度

headers = {'User-Agent': 'Mozilla/5.0Safari/537.36'}#添加自己的headers
#获取URL
def get_one_page(url):
    try:
        response = requests.get(url,headers = headers)#不添加头部信息会造成被禁
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None

#匹配过程，保证起始符存在
def parse_one_page(html):
    pattern = re.compile('<dd>.*?board-index.*?(\d+)</i>.*?data-src="(.*?)" alt.*?class="name"><a.*?>(.*?)</a>.*?<p class="star">(.*?)</p>.*?class="releasetime">(.*?)</p>.*?"integer">(.*?)</i><i class="fraction">(.*?)</i></p>',re.S)
    items = re.findall(pattern,html)
    for item in items:
        yield{
            'index' : item[0],
            'image' : item[1],
            'title' : item[2],
            'actor' : item[3].strip()[3:],
            'time' : item[4].strip()[5:],
            'score' : item[5]+item[6]
        }

#写入文件
def write_to_file(content):
    with open('result.txt','a',encoding = 'utf-8')as f:#添加utf-8和ensure_ascii为了解决文本写入显示中文的问题
        f.write(json.dumps(content,ensure_ascii = False) + '\n')
        f.close()

#通过IP添加offset增加循环的打印次数
def main(offset):
    url = 'http://maoyan.com/board/4?offset=' + str(offset)
    html = get_one_page(url)
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)

#主程序运行
if __name__ == '__main__':
    #for i in range(10):
     #   main(i*10)
    pool = Pool()#使用多线程可以提高其抓取的效率
    pool.map(main,[i*10 for i in range(10)])

视频链接及程序源代码：

可关注微信公众号