Python爬虫

作者: 逛逛_堆栈 | 来源:发表于2021-05-08 17:35 被阅读0次

Request+正则表达式爬取猫眼电影数据

1、确定目标

爬取内容为:猫眼电影榜单数据。
猫眼电影https://maoyan.com/board/4

2、分析目标

切换下一页页面,观察url链接变化如下:

https://maoyan.com/board/4  # 第一页
https://maoyan.com/board/4?offset=10 #第二页
https://maoyan.com/board/4?offset=20 # 第三页

同时,检查页面元素,每一个电影信息都在dd元素内。


3、代码编写

3.1、获得页面数据

# 获得单页响应数据
def get_one_page(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.79 Safari/537.36'
    }
    try:
        response = requests.get(url,headers=headers)
        response.encoding = 'utf-8'
        if response.status_code == 200:
            print(response.text)
            return response.text
        return None
    except RequestException:
        return None

3.2、解析数据

# 数据解析器
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 {
            'title': item[2],
            'index': item[0],
            'image': item[1],
            'actor': item[3].strip()[3:],
            'time': item[4].strip()[5:],
            'score': item[5] + item[6]
        }

3.3、存放数据

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()

3.4、主方法

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__':
    pool = Pool()
    pool.map(main, [i * 10 for i in range(10)])

4、爬虫执行

相关文章

网友评论

    本文标题:Python爬虫

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