python3爬虫之猫眼电影Toop100获取

以下是全部代码。

# coding=utf-8
import requests
from requests.exceptions import RequestException
import re
import json
from  multiprocessing import Pool

def get_one_page(url):
   try:
       reseponse = requests.get(url)
       if reseponse.status_code == 200:
           return reseponse.text
       return None
   except RequestException:
       return None

# 得到了网页后对html进行解析  ,注意下面的正则表达式，以《dd》开始，有一个数字标签，每个需要得到的标签前后都系要加进去。

def paese_one_page(html):    
    pattern = re.compile('<dd>.*?board-index.*?>(\d*)</i>.*?data-src="(.*?)".*?name"><a.*?>(.*?)</a>.*?star">(.*?)</p>'
                         '.*?releasetime">(.*?)</p>.*?</dd>',re.S)
    items = re.findall(pattern,html)
    for item in items:
        yield {                           # yied生成器对于items中每个item都
                                               #要进行相同操的遍历
            'index':item[0],
            'image':item[1],
            'title':item[2],
            'actor':item[3].strip()[3:],
            'time': item[4].strip()[5:],
             }

def write_to_file(content):
    with open('5.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)     # 定义的主函数
    html = get_one_page(url)
    for item in paese_one_page(html):
        print(item)
        write_to_file(item)


if  __name__ == '__main__':   # 这个是用来控制住函数main(),每当主函数主函数执行时，都会进行这个判断
    #for i in range(10): 如果不用进程池可用这个
        #main(i*10)
    pool = Pool()        # 定义一个进程，map中后面的参数不断的给前面的主函 数，迭代的过程，当有空的进程池时，后面的i提前完成mian函数，而不用进行等待（5.txt中并不是按照顺序来迭代）