1 目标
猫眼榜单TOP100：https://www.maoyan.com/board
2 流程框架
- 抓取单页内容：利用requests请求目标站点，得到单个网页HTML代码，返回结果。
- 正则表达式分析：根据HTML代码分析得到电影名称,主演,上映时间,评分,图片链接等信息。
- 保存至文件：通过文件的形式将结果保存，每一步电影一个结果一行json字符串。
- 开启循环及多线程：对多页内容遍历，开启多线程提高抓取速度。
3 实战
1.抓取单页内容
import requests
from requests.exceptions import RequestException
# 提取单页内容，用try,except防止挂机
def get_one_page(url):
try:
response = requests.get(url)
if response.status_code == 200:#如果状态码为200，请求成功
return response.text
return response.status_code #请求失败，返回状态码结果
except RequestException:
return None
def main():
url = "https://www.maoyan.com/board/4"
html = get_one_page(url)
print(html)
if __name__ == '__main__':
main()
url路径：下图可知：第一页offset = 0，第二页offset=10
respnse查看内容：Network 选项->筛选Doc
返回：
如果报了403状态码：
请求是加上headers
headers = {'User-Agent':'Mozilla/5.0(Macintosh;Intel Mac OS X 10_11_4)AppleWebKit/537.36(KHTML,like Gecko)Chrome/52.0.2743.116 Safari/537.36'}
#提取单页内容，用try，except方便找bug
def get_one_page(url):
try:
response = requests.get(url, headers=headers)#传入headers参数
if response.status_code == 200:
return response.text
return response.status_code
except RequestException:
return None
2 正则表达式分析
根据HTML代码分析得到电影名称,主演,上映时间,评分,图片链接等信息。
HTML的结构：
红色箭头是需要提取的信息，正则表达式如下：
def parse_one_page(html):
# 生成一个正则表达式对象
pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a' # 此处换行
+ '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
+ '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)
items = re.findall(pattern,html)
# items是一个list,提取信息成字典形式
for item in items:
yield { # 构造一个字典
'index': item[0],
'image':item[1],
'title':item[2],
'actor':item[3].strip()[3:],#做切片，去掉“主演：“这3个字符
'time':item[4].strip()[5:],
'score':item[5]+item[6] #将小数点前后的数字拼接起来
}
return items
def main():
url = "https://www.maoyan.com/board/4"
html = get_one_page(url)
for item in parse_one_page(html):
print(item)
效果如下：
3 保存至文件
def write_to_file(content):
with open('result.txt','a',encoding='utf-8') as f:
f.write(json.dumps(content, ensure_ascii=False) + '\n') # 不允许写入ascii码
f.close()
def main():
url = "https://www.maoyan.com/board/4"
html = get_one_page(url)
for item in parse_one_page(html):
print(item)
write_to_file(item)
效果如下：
4 开启循环及多线程
方式一：
def main(offset):
url = "https://www.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)
方式二：
from multiprocessing import Pool
if __name__ == '__main__':
pool = Pool() #创建一个进程池
pool.map(main,[i*10 for i in range(10)])
4 整体代码
import requests
from requests.exceptions import RequestException
import re
import json
from multiprocessing import Pool
headers = {
'User-Agent': 'Mozilla/5.0(Macintosh;Intel Mac OS X 10_11_4)AppleWebKit/537.36(KHTML,like Gecko)Chrome/52.0.2743.116 Safari/537.36'}
# 提取单页内容，用try，except方便找bug
def get_one_page(url):
try:
response = requests.get(url, headers=headers) # 传入headers参数
if response.status_code == 200:
return response.text
return response.status_code
except RequestException: # 捕获这个类型的异常
return None
def parse_one_page(html): # 定义一个函数用来解析html代码
# 生成一个正则表达式对象
pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a' # 此处换行
+ '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
+ '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)
items = re.findall(pattern, html)
# items是一个list,其中的每个内容都是一个元组
# 将杂乱的信息提取并格式化，变成一个字典形式
for item in items:
yield { # 构造一个字典
'index': item[0],
# 'image': item[1],
'title': item[2],
'actor': item[3].strip()[3:], # 做一个切片，去掉“主演：”这3个字符
'time': item[4].strip()[5:], # 做一个切片，去掉“上映时间：”这5个字符
'score': item[5] + item[6] # 将小数点前后的数字拼接起来
}
def write_to_file(content):
with open('result.txt', 'a', encoding='utf-8') as f:
# a表示模式是“追加”；采用utf-8编码可以正常写入汉字
f.write(json.dumps(content, ensure_ascii=False) + '\n') # 不允许写入ascii码
# content是一个字典，我们需要转换成字符串形式，注意导入json库
f.close()
def main(offset):
url = 'https://maoyan.com/board/4?offset=' + str(offset) # 把offset参数以字符串形式添加到url中
html = get_one_page(url)
for item in parse_one_page(html): # item是一个生成器
print(item)
write_to_file(item)
if __name__ == '__main__':
pool = Pool() # 创建一个进程池
pool.map(main, [i * 10 for i in range(10)]) # map方法创建进程（不同参数的main），并放到进程池中
