50 行代码教你爬取猫眼电影 TOP100 榜所有信息

点击上方“CSDN”，选择“置顶公众号”

关键时刻，第一时间送达！

今天，手把手教你入门 Python 爬虫，爬取猫眼电影 TOP100 榜信息。

作者 | 丁彦军

本文经授权转自「程序人生」

对于 Python 初学者来说，爬虫技能是应该是最好入门，也是最能够有让自己有成就感的，今天，练习 Python 的手把手系列，手把手教你入门 Python 爬虫，爬取猫眼电影 TOP100 榜信息，将涉及到基础爬虫架构中的 HTML 下载器、HTML 解析器、数据存储器三大模块：

• 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

import requests
from requests.exceptions import RequestException
headers = {'User-Agent':'Mozilla/5.0 '}
def get_one_page(url):
   try:
       res = requests.get(url,headers = headers)
       if res.status_code == 200:
           return res.text
       return None
   except RequestException:
       return None

二、构造 HTML 解析器

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],
           'title': item[2],
           'actor': item[3].strip()[3:],
           'time': item[4].strip()[5:],
           'score': item[5] + item[6]
       }

注意事项：

• 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

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()

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：

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)
if __name__ == '__main__':
   p = Pool()
   p.map(main,[i*10 for i in range(10)])

注意事项：

• 为了提高速度，我们引入 Pool 模块，用多线程并发抓取

执行代码后，结果如下：

本文中介绍了基础爬虫架构主要的的三个模块（HTML 下载器、HTML 解析器、数据存储器），无论大型还是小型爬虫都不会脱离这三个模块，也希望大家通过这个小小的练习对整个爬虫有个清晰的认识，欢迎大家一起谈论学习交流。

————— 推荐阅读 —————

点击图片即可阅读