美文网首页
简易猫眼爬虫

简易猫眼爬虫

作者: 数据小黑升值记 | 来源:发表于2019-06-07 19:21 被阅读0次

    过程

    1.打开网址分析源码,找出要爬取的信心所在的位置
    2.一般爬取的内容都有相似的结构,先分析一个,在利用程序批量处理;把问题分解,先易后难
    3.利用正则获取需要的信息
    4.存储数据

    代码如下

    import json
    import requests
    from requests.exceptions import RequestException
    import re
    import time
    
    
    def get_one_page(url):
    #获取网页html
        try:
            headers = {
                'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 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):
    #正则解析
        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('result.txt', 'a', encoding='utf-8') as f:
            f.write(json.dumps(content, ensure_ascii=False) + '\n')
    
    
    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__':
        for i in range(10):
            main(offset=i * 10)
            time.sleep(1)
    

    相关文章

      网友评论

          本文标题:简易猫眼爬虫

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