Python爬虫实战之Requests+正则表达式爬取猫眼电影Top100
Posted 凌冷
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python爬虫实战之Requests+正则表达式爬取猫眼电影Top100相关的知识,希望对你有一定的参考价值。
import requests from requests.exceptions import RequestException import re import json # from multiprocessing import Pool # 测试了下 这里需要自己添加头部 否则得不到网页 headers = { ‘User-Agent‘:‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36‘ } # 得到html代码 def get_one_page(url): try: response = requests.get(url, headers = headers) if response.status_code == 200: return response.text return None except RequestException: return None # 解析html代码 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: # 将元组形式变为字典 yield { ‘【排名】‘: item[0], ‘【图片】‘: item[1], ‘【标题】‘: item[2], ‘【主演】‘: item[3].strip()[3:], ‘【上映时间】‘: item[4].strip()[5:], ‘【评分】‘: item[5] + item[6] } # 写入文件 def write_to_file(content): # 注意encoding = ‘utf-8‘和ensure_ascii = False,不写的话不能输出汉字 with open(‘电影.txt‘, ‘a‘, encoding = ‘utf-8‘) as f: f.write(json.dumps(content, ensure_ascii = False) + ‘ ‘) f.close() # 主函数 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) if __name__ == ‘__main__‘: for i in range(10): main(i * 10) # 多进程(测试有bug) # if __name__ == ‘__main__‘: # pool = Pool() # pool.map(main, [i * 10 for i in range(10)]) # pool.join() # pool.close()
代码来自崔庆才
以上是关于Python爬虫实战之Requests+正则表达式爬取猫眼电影Top100的主要内容,如果未能解决你的问题,请参考以下文章
Python爬虫编程思想(36):项目实战-抓取斗破小说网的目录和全文