码迷,mamicode.com
首页 > 其他好文 > 详细

静觅爬虫学习笔记8-爬取猫眼电影

时间:2017-12-04 15:31:36      阅读:234      评论:0      收藏:0      [点我收藏+]

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

静觅爬虫学习笔记8-爬取猫眼电影

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

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!