标签:正则 false turn 不同 ons board 学习笔记 获取网页 utf-8
不知道是不是我学习太晚的原因,猫眼电影这网站我用requests进行爬取源码直接返回给我一个您的访问被禁止。作为萌新的我登时就傻了,还好认真听了之前的课,直接换selenium抓了源码,虽然效率惨不忍睹,但多少也能运行了,下面上代码
import json import requests import re from requests.exceptions import RequestException from multiprocessing import Pool from selenium import webdriver def get_one_page(url): # 获取网页源码 browser = webdriver.Chrome() try: browser.get(url) return browser.page_source finally: browser.close() def parse_one_page(html): # 利用正则表达式提取内容 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): # 写入文件 with open(‘result.txt‘,‘a‘,encoding=‘utf-8‘) as f: f.write(json.dumps(content,ensure_ascii=False) + ‘\n‘) f.close() 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(i*10) #多线程写法,实测不是很好用,因为同时打开多个网页,抓取结果容易乱序 """ pool = Pool() pool.map(main,[i*10 for i in range(10)]) """
多线程那块这写法不太好用....
而且有的时候爬取的数据不足100个,会漏掉1到2个,而且每次漏掉的还是不同的数据,萌新求教这是为何
标签:正则 false turn 不同 ons board 学习笔记 获取网页 utf-8
原文地址:http://www.cnblogs.com/xinzhiyan/p/7977135.html