美文网首页
Requests+正则表达式爬猫眼电影Top-100

Requests+正则表达式爬猫眼电影Top-100

作者: Yuanshuo | 来源:发表于2020-01-29 20:57 被阅读0次

流程框架

  • 抓取单页内容:利用requests请求目标站点,得到单个网页HTML代码,返回结果
  • 正则表达式分析:根据HTML代码分析得到电影的名称、主演、上映时间、评分、图片链接等信息
  • 保存至文件:通过文件的形式将结果保存
  • 开启循环及多线程:对多页内容遍历,开启多线程提高抓取速度

实例

import requests
from requests.exceptions import RequestException
import re
import json
from multiprocessing import Pool
def get_one_page(url):
    try:
        headers = {
            'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36'
        }
        response = requests.get(url, headers=headers)
        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)
    #print(items)
    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('Maoyan_Top100.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False)+'\n')
        f.close()
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)
# 单进程
if __name__ == '__main__':
    for i in range(10):
        main(i*10)
# 多进程
if __name__ == '__main__':
    pool = Pool()
    pool.map(main, [i*10 for i in range(10)])

相关文章

网友评论

      本文标题:Requests+正则表达式爬猫眼电影Top-100

      本文链接:https://www.haomeiwen.com/subject/pusbthtx.html