Python爬虫学习==>第十章：使用Requests+正则表达式爬取猫眼电影

时间：2021-05-01 19:58:15

学习目的：

　　通过一个一个简单的爬虫应用，初窥门径。

正式步骤

Step1：流程框架

  1. 抓取单页内容：利用requests请求目标站点，得到单个页面的html代码，返回结果；
  2. 正则表达式分析：根据html页面代码分析得到猫眼电影的名称、主演、上映时间、评分、图片信息等；
  3. 保存至文件：通过文件的形式将结果保存，每一部电影一个结果一行json字符串；
  4. 开启循环及多线程：对页面内容进行遍历，开启多线程提高抓取效率

Step2：实际步骤+分析

1. 在pycharm中新建一个Python项目，新建一个文件spider.py

2.运行代码：

# -*-  coding:utf-8 -*-

import requests

import re

import json

from requests.exceptions import RequestException

from multiprocessing import Pool

def get_page_html(url):

    #设置headers是猫眼加了反爬机制

    headers = {

        'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'

    }

    try:

        response = requests.get(url,headers=headers)

        if response.status_code == 200:

            return response.text

        return None  #如果页面状态码不为200，则函数终止

    except RequestException:

        return None  #如果测试代码异常，则无返回，函数结束

def parse_page_html(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 {

            'index':item[0],

            'image':item[1],

            'name':item[2],

            'actor':item[3].strip()[3:],

            'date':item[4].strip()[5:],

            'score':item[5]+item[6]

        }

def save_file(content):

    with open("detail.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_page_html(url)

    for detail in parse_page_html(html):

        save_file(detail)

if __name__ == '__main__':

    # for offset in range(10):

    #     main(offset*10)

    pool = Pool()

    pool.map(main,[i*10 for i in range(10)])

运行结果不添加了，此外，最后注释掉的代码，功能是非多线程的

学习总结：

　　爬虫涉及的Python基础应用非常多，还是那个8/2原则，先掌握20%最常用的，最重要的，再慢慢熟悉80%需要学会用即可的功能

相关文章