源代码(spider.py):
# -*- coding: utf-8 -*-
"""
Created on Thu Aug 15 09:31:36 2019
@author: Mr.zeng
"""
import requests
from multiprocessing import Pool
from requests.exceptions import RequestException
import re
import json
#获取单页内容函数
def get_one_page(url):
try:
response = requests.get(url)
if response.status_code == 200:
return response.text
return None
except RequestException:
return None
#解析获得的html的代码
def parse_one_page(html):
pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a' #编写正则表达式,获得想获取的内容
+'.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
+'.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>',re.S) #re.S为匹配任意字符,如html代码中有换行就需要匹配换行符等
items = re.findall(pattern,html) #调用findall方法
for item in items:
yield{ #使这个方法变成一个生成器
'index':item[0],
'image':item[1],
'title':item[2],
'actor':item[3].strip()[3:], #调用strip方法去掉换行符
'time':item[4].strip()[5:],
'score':item[5]+item[6]
}
#保存到文件
def write_to_file(content):
with open('result.txt','a',encoding='utf-8') as f :
f.write(json.dumps(content,ensure_ascii=False)+'\n') #json.dumps序列化时对中文默认使用的ascii编码.想输出真正的中文需要指定ensure_ascii=False
f.close()
def main(offset):
url='https://maoyan.com/board/4?offset='+str(offset) #传入offset参数动态改变url,使代码可以循环遍历每一页
html = get_one_page(url)
for item in parse_one_page(html):
print(item)
write_to_file(item) #调用写入文件函数
if __name__ == '__main__':
# for i in range(10): #不用进程池的写法
# main(i*10)
pool = Pool() #声明一个进程池,提供指定数量的进程供用户调用
pool.map(main,[i*10 for i in range(10)]) #调用map方法把数组中的每一个元素拿出来当做函数的参数,然后创建一个个进程放进进程池去运行
运行结果: