【Python】Requests+正则表达式 爬取猫眼电影TOP100

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/m0_37811192/article/details/81489144

【Python】网络爬虫原理

1.先获取到一个页面，状态码200是成功返回

[code]def get_one_page(url):
# 获取一个页面
try:
response = requests.get(url)
if response.status_code == 200:
return response.text
return None
except RequestException:
return None

2.解析一个页面，先创建一个正则表达式对象，接着进行正则匹配，然后通过键值对形式存储

[code]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],
'title': item[2],
'actor': item[3].strip()[3:],
'time':  item[4].strip()[5:],
'score': item[5]+item[6]
}

3.写入文件中，encoding=”“和ensure_ascii=''“用来存储中文字符

[code]def write_to_file(content):
with open('Top100.txt', 'a', encoding='utf-8') as f:
f.write(json.dumps(content, ensure_ascii=False)+'\n')
f.close()

最后附上完整的源代码

[code]import json
import requests
from requests.exceptions import RequestException
import re
from multiprocessing import Pool

def get_one_page(url):
# 获取一个页面
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],
'title': item[2],
'actor': item[3].strip()[3:],
'time':  item[4].strip()[5:],
'score': item[5]+item[6]
}

def write_to_file(content):
with open('Top100.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)
for item in parse_one_page(html):
print(item)
write_to_file(item)

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

注：由于使用了线程池，因此不一定按顺序存储。但是速度上快了许多，如果对速度要求不高，期望按顺序存储可以不使用线程池，直接调用main（offset）方法即可！附上效果图：

阅读更多