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
- 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;
- 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;
- 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;
- 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