Requests+正则表达式爬取猫眼电影

Requests+正则表达式爬取猫眼电影top100榜单

---

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代码分析得到电影的名称、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. 开启循环级多线程：对多页内容遍历，开启多线程提高抓取速度。

---

爬虫实战

打开Pycharm-->创建项目MaoYanTop100-->创建py文件spider.py

import re
import requests
import json
#导入异常处理模块
from requests.exceptions import RequestException
#导入进程池
from multiprocessing import Pool

#设置请求头。因为有人说ip被封，所以需要添加请求头或者代理。但是实测不添加请求头同样可以请求成功。
headers={ 'User-Agent': ' Mozilla/5.0 (Windows NT 10.0; Win64; x64)' 
                        ' AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36'}

#定义请求函数
def get_one_page(url):
    try:
        #需要给requests添加请求头
        response=requests.get(url)
        if response.status_code==200:
            return response.text
        return None
    except RequestException:
        return None

#对网页进行解析
def parse_one_page(html):
#设置正则匹配式
    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]
        }


#写入文件
def write_to_file(content):
#防止中文乱码，将encoding设为utf-8,并在写入时，将ensure_ascii设为False
     with open("result.txt",'a',encoding='utf-8') as f:
#每一行结果都为字典类型，使用json.dumps(conten)将结果转为字符串类型
         f.write(json.dumps(content,ensure_ascii=False)+'\n')
         f.close()

#主函数
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__':
    for i in range(10):
        main(i*10)
    #使用进程池
    # pool=Pool()
    # pool.map(main,[i*10 for i in range(10)])
    #问题： 会造成异步访问，数据缺失。

---