Python 爬取猫眼电影

这段代码爬取数据时,出现了403,禁止访问的问题
 

import requests

from requests.exceptions import RequestException

import re



def get_one_page(url):

    try:

        response = requests.get(url)

        if response.status_code == 200:

            return response.text

        return None

    except RequestException:

        return None



def main():

    url = 'http://maoyan.com/'

    html = get_one_page(url)

    print(html)

if __name__ == '__main__':

    main()

查看robots.txt

 

http://maoyan.com/robots.txt

User-agent: *

Disallow:

可能是服务器不允许一些客户端的访问,可以让爬虫模拟成一个浏览器的

方式访问就不会被发现了。

 

解决方案:

 

增加请求头,模拟浏览器访问

import requests

from requests.exceptions import RequestException

import re



def get_one_page(url):

    try:

        headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ''Chrome/51.0.2704.63 Safari/537.36'}

        response = requests.get(url,headers=headers,timeout=30)

        if response.status_code == 200:

            return response.text

        return None

    except RequestException:

        return None



def main():

    url = 'http://maoyan.com/'

    html = get_one_page(url)

    print(html)

if __name__ == '__main__':

    main()

 

完整版代码:

import json

from multiprocessing import Pool

import requests

from requests.exceptions import RequestException

import re



def get_one_page(url):

    try:

        #设置请求头,模拟浏览器访问

        headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ''Chrome/51.0.2704.63 Safari/537.36'}

        response = requests.get(url,headers=headers,timeout=30)

        if response.status_code == 200:

            return response.text

        return None

    except RequestException:

        return None



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) #re.S 表示 ‘.’可以匹配换行符

   

    items = re.findall(pattern,html)

    for item in items:

        #返回一个生成器对象

        yield {

            'index':item[0],

            'image':item[1],

            'title':item[2],

            'actor':item[3].strip()[3:],

            'releasetime':item[4].strip()[5:],

            'score':item[5] + item[6]

        }





def write_to_file(content):

    #a以追加的形式把结果写入文件,并设置以utf-8编码

    with open('result.txt', 'a',encoding='utf-8') as f:

        f.write(json.dumps(content,ensure_ascii=False) + '\n')

        f.close()



def main(offset):

    url = 'http://maoyan.com/board/4?offset=' + str(offset)

    html = get_one_page(url)

    #print(html)

    for item in parse_one_page(html):

        print(item)

        write_to_file(item)



if __name__ == '__main__':

    # 创建进程池

    pool = Pool()

    # 第一个参数是函数,第二个参数是一个迭代器,将迭代器中的数字作为参数依次传入函数中(这里用列表推导式创建列表)

    pool.map(main, [i * 10 for i in range(10)])

 

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

独行客-编码爱好者

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值