Python网络爬虫：利用正则表达式爬取豆瓣电影top250排行前10页电影信息

在学习了几个常用的爬取包方法后，转入爬取实战。
爬取豆瓣电影早已是练习爬取的常用方式了，网上各种代码也已经很多了，我可能现在还在做这个都太土了，不过没事，毕竟我也才刚入门……
这次我还是利用正则表达式进行爬取，怎么说呢，有人说写正则表达式很麻烦，很多人都不愿意用正则表达式了，不过正则表达式是我第一个学习的爬取方式，也是我最有感觉的一种方法了，我也喜爱用这种方法，当然我现在的正则表达式写的肯定还不是很漂亮、精简，这个以后再去精益求精吧，当然，这里的正则表达式也是我自己写的，可能会有点丑，大家可以再去完善吧
言归正传，我这次爬取了豆瓣电影排行top250，共爬取了10页电影信息，并将这些爬取信息进行简单的数据清洗，最后写入一个本地的txt文件中。
其实我的这段代码可以爬取任意页数的电影信息，换句话说这里的10可以随心所欲的改，想爬多少是多少（我想这也是爬虫的魅力所在啊），当然当然肯定不能超过上限啦~

话不多说啦，上我的码，这个码可真的是原创啊，自己写的，尤其是正则表达式，改了很多次才有这个结果哦~坚决不做代码搬运工哦~

import requests
import re
p=0//打印页码
with open('mov.txt','w',encoding='utf-8') as f://写入名为mov的txt文件，由于我的文件默认是GBK，所以这里转为utf-8
    for i in range(10)://这里抓取前10页
        url='https://movie.douban.com/top250?start='+str(i*25)//翻页循环设置：通过对start赋值以25的倍数
        html=requests.get(url).text
        pattern=re.compile('<li.*?hd.*?title">(.*?)</span>.*?<p.*?>(.*?);&nbsp;&nbsp;(.*?)<br>(.*?)&nbsp;/&nbsp;(.*?)&nbsp;/&nbsp;(.*?)</p>.*?average">(.*?)</span>.*?inq">(.*?)</span>.*?</li>',re.S)//正则表达式的书写
        results=re.findall(pattern,html)
        print(results)//打印了一下
        list=str(results)    
        for st in results://由于结果为以元组为元素的列表，每个元组又包含6个元素，分别进行打印，同时运用strip()进行数据清洗，再加上换行符进行格式化存储
            f.write(st[0]+'\n'+st[1].strip()+'\n'+st[2]+'\n'+st[3].strip()+'\n'+st[4]+'\n'+st[5].strip()+'\n'+'评分：'+st[6]+'\n--*---*---*---\n')
    f.close()

打开txt：

最后还要附一个知识点：
我把爬取结果写入txt文件里，由于新文件的默认编码是gbk，这样的话，python解释器会用gbk编码去解析我们的网络数据流txt，然而txt此时已经是decode过的unicode编码，这样的话就会导致解析不了，出现上述问题。 解决的办法就是，改变目标文件的编码：

复制代码代码如下:

f = open(“out.html”,”w”,encoding=’utf-8’)
注：参考自博客园https://www.cnblogs.com/themost/p/6603409.html
谢谢这篇对我们学习很有用的博客，希望我的博客也能在之后，哪怕是某个深夜，对某颗求学的心，起到一点点帮助……….加油↖(^ω^)↗