使用Requests库和正则表达式爬取猫眼电影榜单top100数据

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：