码迷,mamicode.com
首页 > 编程语言 > 详细

Python爬虫实战之Requests+正则表达式爬取猫眼电影Top100

时间:2018-11-30 20:02:59      阅读:162      评论:0      收藏:0      [点我收藏+]

标签:close   integer   汉字   爬虫   测试   ems   5.0   time   ensure   

import requests
from requests.exceptions import RequestException
import re
import json
# from multiprocessing import Pool

# 测试了下 这里需要自己添加头部 否则得不到网页
headers = {
    User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36
}
# 得到html代码
def get_one_page(url):
    try:
        response = requests.get(url, headers = headers)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None

# 解析html代码
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:
        # 将元组形式变为字典
        yield {
            【排名】: item[0],
            【图片】: item[1],
            【标题】: item[2],
            【主演】: item[3].strip()[3:],
            【上映时间】: item[4].strip()[5:],
            【评分】: item[5] + item[6]
        }

# 写入文件
def write_to_file(content):
    # 注意encoding = ‘utf-8‘和ensure_ascii = False,不写的话不能输出汉字
    with open(电影.txt, a, encoding = utf-8) as f:
        f.write(json.dumps(content, ensure_ascii = False) + \n)
        f.close()

# 主函数
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)

# 多进程(测试有bug)
# if __name__ == ‘__main__‘:
#     pool = Pool()
#     pool.map(main, [i * 10 for i in range(10)])
#     pool.join()
#     pool.close()

代码来自崔庆才 

Python爬虫实战之Requests+正则表达式爬取猫眼电影Top100

标签:close   integer   汉字   爬虫   测试   ems   5.0   time   ensure   

原文地址:https://www.cnblogs.com/duxie/p/10045667.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!