来源: https://zhuanlan.zhihu.com/c_149865214
对于Python初学者来说,爬虫技能是应该是最好入门,也是最能够有让自己有成就感的,今天,恋习Python的手把手系列,手把手教你入门Python爬虫,爬取猫眼电影TOP100榜信息,将涉及到基础爬虫架构中的HTML下载器、HTML解析器、数据存储器三大模块:
HTML下载器:利用requests模块下载HTML网页;
HTML解析器:利用re正则表达式解析出有效数据;
数据存储器:将有效数据通过文件或者数据库的形式存储起来;
一、构造HTML下载器
1import requests
2from requests.exceptions import RequestException
3headers = {'User-Agent':'Mozilla/5.0 '}
4def get_one_page(url):
5 try:
6 res = requests.get(url,headers = headers)
7 if res.status_code == 200:
8 return res.text
9 return None
10 except RequestException:
11 return None
二、构造HTML解析器
1def parse_one_page(html):
2 pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'
3 +'.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
4 +'.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>',re.S)
5 items = re.findall(pattern,html)
6 for item in items:
7 yield{
8 'index': item[0],
9 'image': item[1],
10 'title': item[2],
11 'actor': item[3].strip()[3:],
12 'time': item[4].strip()[5:],
13 'score': item[5] + item[6]
14 }
注意:
在函数中本来该return的地方用yield,如果用return,在第一轮循环就会跳出,结果文件只会有一部电影。如果用yield,函数返回的就是一个生成器,而生成器作为一种特殊的迭代器,可以用for——in方法,一次一次的把yield拿出来;
re.findall(pattern,string[,flags]):搜索整个string,以列表的形式返回能匹配的全部子串,其中参数是匹配模式,如re.S表示点任意匹配模式,改变“.”的行为。
三、构造数据存储器
1def write_to_file(content):
2 with open ('result.txt', 'a',encoding='utf-8') as f:
3 f.write(json.dumps(content,ensure_ascii=False) + '\n')
4 f.close()
注意事项:
为什么ensure_ascii=False?原因是json默认是以ASCII来解析code的,由于中文不在ASCII编码当中,因此就不让默认ASCII生效;
要写入特定编码的文本文件,请给open()函数传入encoding参数,将字符串自动转换成指定编码。细心的童鞋会发现,以'w'模式写入文件时,如果文件已存在,会直接覆盖(相当于删掉后新写入一个文件)。如果我们希望追加到文件末尾怎么办?可以传入'a'以追加(append)模式写入。
接下来就是构造主函数,初始化各个模块,传入入口URL,按照运行流程执行上面三大模块:
1def main(offset):
2 url = 'http://maoyan.com/board/4?offset=' + str(offset)
3 html = get_one_page(url)
4 for item in parse_one_page(html):
5 print(item)
6 write_to_file(item)
7if __name__ == '__main__':
8 p = Pool()
9 p.map(main,[i*10 for i in range(10)])
注意:
为了提高速度,我们引入Pool模块,用多线程并发抓取。
执行代码后,结果如下:
本文中介绍了基础爬虫架构主要的的三个模块(HTML下载器、HTML解析器、数据存储器),无论大型还是小型爬虫都不会脱离这三个模块,也希望大家通过这个小小的练习对整个爬虫有个清晰的认识,欢迎大家一起谈论学习交流。