知识点整理：
- 1 因为猫眼已经进行了简单的防爬，不能直接用
requests.get(url)请求url,会被猫眼限制，需要增加一个请求头，用requests.get(url,headers=headers)即可；
例如：
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36"}
- 2 编写正则表达式的时候，用
re.compile(pattern,re.S),pattern为正则表达式，re.S表示 . 能匹配任意字符，包括换行符，空格，因为html页面代码都可能有一些换行符，制表符什么之类的，所以一定要加上re.S - 3 用正则整理出我们想要的信息后，正则生成的数据是一个列表，这个数据格式不太方便，所以最好将其生成一个字典，此处使用了
yield将方法变成一个生成器，然后用for循环这个生成器，读取数据，生成器的好处就是动态分配内存，不用事先固定分配好内存，需要的时候才进行读取，有关yield的用法可以，下次整理一篇文章纪录一下 - 4 将数据写入文件时候还有注意：
with open('result.txt','a',encoding='utf-8') as f:
f.write(json.dumps(content,ensure_ascii=False)+'\n')
ensure_ascii=False，encoding='utf-8'表示生成json不需要进行ascii编码，以及写文件时候用utf-8，这样文件才能写中文
- 5 简单利用多进程提高一点爬取速度，因为数据量不大，所以测试的效率是由1.8s提高到1.3s，下次爬取数据量大的时候，有IO阻塞的时候可以深度用一下协程来提高效率。
- 6 完整代码：
import time
import requests
from requests.exceptions import RequestException
import re
import json
from multiprocessing import Pool
def get_one_page(url):
#请求头，将此请求欺骗服务器为浏览器请求
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36"}
response = requests.get(url,headers=headers)
try:
if response.status_code==200:
return response.text
return None
except RequestException:
return None
def parse_one_page(html):
#预先编译正则表达式，用来获取想要的信息，re.S的作用是为了让 . 能匹配任意字符，包括换行符，空格，如果不加re.S则不能匹配
pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>',re.S)
result = re.findall(pattern,html)
for item in result:
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('result.txt','a',encoding='utf-8') as f:
f.write(json.dumps(content,ensure_ascii=False)+'\n')
#ensure_ascii=False，encoding='utf-8'表示生成json不需要进行ascii编码，以及写文件时候用utf-8，这样文件才能写中文
def main(i):
url = 'http://maoyan.com/board/4?offset='+str(i)
html = get_one_page(url)
#print(html)
for item in parse_one_page(html):
print(item)
write_to_file(item)
if __name__ == '__main__':
#普通爬取
# start_time = time.time()
# for i in range(10):
# main(i*10)
# end_time = time.time()
# print(end_time-start_time)
#多进程爬取
start_time = time.time()
pool = Pool()
pool.map(main,[i*10 for i in range(10)])
end_time = time.time()
print(end_time - start_time)
网友评论