爬虫入门到精通_实战篇7(Requests+正则表达式爬取猫眼电影)_ 抓取单页内容，正则表达式分析，保存至文件，开启循环及多线程

1 目标

猫眼榜单TOP100：https://www.maoyan.com/board

2 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，每一步电影一个结果一行json字符串。
4. 开启循环及多线程：对多页内容遍历，开启多线程提高抓取速度。

3 实战

1.抓取单页内容

import requests
from requests.exceptions import RequestException

# 提取单页内容，用try,except防止挂机
def get_one_page(url):
    try:
        response = requests.get(url)
        if response.status_code == 200:#如果状态码为200，请求成功
            return  response.text
        return response.status_code  #请求失败，返回状态码结果
    except RequestException:
        return  None

def main():
    url = "https://www.maoyan.com/board/4"
    html = get_one_page(url)
    print(html)
if __name__ == '__main__':
    main()

url路径：下图可知：第一页offset = 0，第二页offset=10

respnse查看内容：Network 选项->筛选Doc

返回：

如果报了403状态码：
请求是加上headers

headers = {'User-Agent':'Mozilla/5.0(Macintosh;Intel Mac OS X 10_11_4)AppleWebKit/537.36(KHTML,like Gecko)Chrome/52.0.2743.116 Safari/537.36'}
#提取单页内容，用try，except方便找bug
def get_one_page(url):
    try:
        
        response = requests.get(url, headers=headers)#传入headers参数
        if response.status_code == 200:
            return response.text
        return response.status_code
    except RequestException:
        return None

2 正则表达式分析

根据HTML代码分析得到电影名称,主演,上映时间,评分,图片链接等信息。
HTML的结构：

红色箭头是需要提取的信息，正则表达式如下：

def parse_one_page(html):
    # 生成一个正则表达式对象
    pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'  # 此处换行
                         + '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                         + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)
    items = re.findall(pattern,html)

        # items是一个list,提取信息成字典形式
    for item in items:
        yield { # 构造一个字典
            'index': item[0],
            'image':item[1],
            'title':item[2],
            'actor':item[3].strip()[3:],#做切片，去掉“主演：“这3个字符
            'time':item[4].strip()[5:],
            'score':item[5]+item[6] #将小数点前后的数字拼接起来
        }
    return items
    
def main():
    url = "https://www.maoyan.com/board/4"
    html = get_one_page(url)
    for item in parse_one_page(html):
        print(item)

效果如下：

3 保存至文件

def write_to_file(content):
    with open('result.txt','a',encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False) + '\n')  # 不允许写入ascii码
        f.close()
        
def main():
    url = "https://www.maoyan.com/board/4"
    html = get_one_page(url)
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)

效果如下：

4 开启循环及多线程

方式一：

def main(offset):
    url = "https://www.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)
        
if __name__ == '__main__':
    for i in range(10):
        main(i*10)

方式二：

from multiprocessing import Pool
if __name__ == '__main__':
    pool = Pool() #创建一个进程池
    pool.map(main,[i*10 for i in range(10)])

4 整体代码

import requests
from requests.exceptions import RequestException
import re
import json
from multiprocessing import Pool

headers = {
    'User-Agent': 'Mozilla/5.0(Macintosh;Intel Mac OS X 10_11_4)AppleWebKit/537.36(KHTML,like Gecko)Chrome/52.0.2743.116 Safari/537.36'}


# 提取单页内容，用try，except方便找bug
def get_one_page(url):
    try:

        response = requests.get(url, headers=headers)  # 传入headers参数
        if response.status_code == 200:
            return response.text
        return response.status_code
    except RequestException:  # 捕获这个类型的异常
        return None


def parse_one_page(html):  # 定义一个函数用来解析html代码
    # 生成一个正则表达式对象
    pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'  # 此处换行
                         + '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                         + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)
    items = re.findall(pattern, html)
    # items是一个list,其中的每个内容都是一个元组
    # 将杂乱的信息提取并格式化，变成一个字典形式
    for item in items:
        yield {  # 构造一个字典
            'index': item[0],
            # 'image': item[1],
            'title': item[2],
            'actor': item[3].strip()[3:],  # 做一个切片，去掉“主演：”这3个字符
            'time': item[4].strip()[5:],  # 做一个切片，去掉“上映时间：”这5个字符
            'score': item[5] + item[6]  # 将小数点前后的数字拼接起来
        }


def write_to_file(content):
    with open('result.txt', 'a', encoding='utf-8') as f:
        # a表示模式是“追加”；采用utf-8编码可以正常写入汉字
        f.write(json.dumps(content, ensure_ascii=False) + '\n')  # 不允许写入ascii码
        # content是一个字典，我们需要转换成字符串形式，注意导入json库
        f.close()


def main(offset):
    url = 'https://maoyan.com/board/4?offset=' + str(offset)  # 把offset参数以字符串形式添加到url中
    html = get_one_page(url)
    for item in parse_one_page(html):  # item是一个生成器
        print(item)
        write_to_file(item)


if __name__ == '__main__':
    pool = Pool()  # 创建一个进程池
    pool.map(main, [i * 10 for i in range(10)])  # map方法创建进程（不同参数的main），并放到进程池中