抓取猫眼TOP100电影

1.导入需要的库

import requests
import re
import json
from requests.exceptions import RequestException

2.定义一个网页抓取函数

def get_one_page(url):
    try : # 异常处理
        response=requests.get(url)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None

3.定义一个网页解析函数

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) #正则表达式解析HTML
    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]
        }

4.把得到的数据存储到文档中

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()
#参数encoding和ensure_ascii使得中文正常显示

5.调用以上函数，完成一个数据抓取过程

def main(offset):
    url = 'https://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) #设置网页URL递推，实现多个网页一次抓取

6.得到存储数据的文档

抓取数据前十行