import requests
from requests.exceptions import RequestException
import re
import json
获取top100的html代码
status_code 网页状态码,200表示正常打开网页
def get_one_page(url):
try:
response=requests.get(url,headers=headers)
if response.status_code==200:
return response.text
except RequestException:
return none
使用正则表示式,提取我们需求爬取的信息
yields生成器,生成器可迭代
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]}
主体内容,调用其他函数
设立url
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)
保存下载 的文件,a表示追加文件,将新内容写入文件,如果没有就创建一个文件
def write_to_file(content):
with open('maoyantop100.txt','a',encoding='utf8') as f:
f.write(json.dumps(content,ensure_ascii=False)+'\n')
调用mind函数
if __name__=='__main__':
for i in range(10):
main(i*10)