request+正则表达式式爬取猫眼电影

新建项目maoyantop100

在项目文件下新建爬虫文件spider.py，在里面输入：

import json
from multiprocessing import Pool
import request
from requests.exceptions import RequestException
def get_one_page(url):
    try:
        response=request.get(url)
        if responese.status_code==200:
            return response.text
        rerurn None
    except RequestException:
        rerurn None
def parse_one_page(html):
#<dd>用来找到起始点，
#.*?board-index.*?<\d+>用来找到排名
#</i>代表结束符
#.*?data-src="(.*?)"用来匹配图片
#.*?name"><a' +'.*?>(.*?)</a>用来匹配name
#.*?star">(.*?)</p>用来匹配star
#.*?releasetime">(.*?)</p>用来匹配releasetime
#.*?integer">(.*?)</i>用来匹配integer
#.*?fraction">(.*?)</i>用来匹配fraction
#re.S可以匹配到换行符

    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)
    print(items)
    #多元数组形式的items转换成字典形式进行存储
    for item in items:
       yield{
             'index':item[0],
              'image':item[1],
              'title':item[2],
               #主演进行切片，去掉主演和冒号3个字符
              'actor':item[3].strip()[3:],
               #时间进行切片，去掉上映时间和冒号五个字符
              'time'：item[4].stip()[5:]
              'score':item[5]+item[6]
        }
def write_to_file(content):
   #encoding='utf-8'保证输出为中文
   #ensure_ascii=False保证输出为中文
    with open('result.txt','a',encoding='utf-8') as f :
        #用json.dumps方法把字典形式的content转化为字符串形式
        #'\n'代表换行符
        f.write(json.dumps(content,ensure_ascii=False)+'\n')
        f.close()
# offset作为参数传入main方法              
def main(offset):
    url='http://maoyan.com/board/4?offset='+str(offset)
    html=get_one_page(url)
    parse_one_page(html)
    for item in parse_one_page(html):
        write_to_file(item)
    print(html)
if _name_ ==_main_:
    
    pool=Pool()#声明一个进程池
    #进程池的两个参数，一个是main方法，一个是数组
    pool.map(main,[i*10 for in range(10)])