Python学习记录-爬取猫眼电影top100榜单

安装pycharm-爬取网页内容

在网易云课堂中找到的学习视频，很适合入门级别开发者

http://study.163.com/course/courseLearn.htm?courseId=1003735019#/learn/video?lessonId=1004300315&courseId=1003735019

个人总结

1.让控制台显示的内容换行：view->Active Editor 让 Use Soft Wraps 不被勾选

2.文件存储：with

open(文件名，读写方式，encoding=“编码格式”)

3.json转字符串:json.dumps(json对象,

ensure_ascii=False)

4.引进requests包

5.str.strip()[3:],截取前三个字符以外的片段

6.进程使用：Pool

7.正则表达式：使用正则表达式，要先将网页内容爬取出来，根据实际爬取的内容写正则式，因为网页中的文件和实际爬取得文件结构可能不一致。

代码如下：

import json
import re
from multiprocessing.dummy import Pool

import requests
from requests.exceptions import RequestException
def get_one_page(url):
try:
response = requests.get(url)
if response.status_code == 200:
return response.text
return None
except RequestException:
return None
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:
yield {
'index': item[0],
'image': item[1],
'name': item[2],
'actor': item[3],
'time': item[4],
'score': item[5]+item[6]
}

def write_to_file(content):
with open('result.txt', 'a', encoding='utf-8') as f:
f.write(json.dumps(content, ensure_ascii=False) + '\n')
f.close()

def main(offset):
url="http://maoyan.com/board/4?offset=" + str(offset)
html = get_one_page(url)
#print(html)
for item in parse_one_page(html):
print(item)
write_to_file(item)

if __name__ == '__main__':
#for i in range(10):
#main(i*10)
pool = Pool()
pool.map(main,[i*10 for i in range(10)])

运行结果如下: