Requests+正則表示式爬取貓眼TOP100電影
阿新 • • 發佈:2018-12-27
需要著重學習的地方:
(1)爬取分頁資料時,url連結的構建
(2)儲存json格式資料到檔案,中文顯示問題
(3)執行緒池的使用
(4)正則表示式的寫法
import requests
from requests.exceptions import RequestException
import re
import json
from multiprocessing import Pool
# 抓取單頁內容
def get_one_page(url):
try:
response = requests.get(url)
if response.status_code == 200:
return response.text
return None
except RequestException:
return None
# 正則表示式分析
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)
# print(items)
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]
}
# 儲存至檔案
def write_to_file(content):
# 注意:把json資料儲存到檔案中顯示出中文
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 = 'https://maoyan.com/board/4?offset=' + str(offset)
html = get_one_page(url)
parse_one_page(html)
for item in parse_one_page(html):
print(item)
write_to_file(item)
if __name__ == '__main__':
# 開啟迴圈,抓取多頁資料
# for i in range(10):
# main(i*10)
# 使用執行緒池
pool = Pool()
pool.map(main,[i*10 for i in range(10)])