來源： https://zhuanlan.zhihu.com/c_149865214

對於Python初學者來說，爬蟲技能是應該是最好入門，也是最能夠有讓自己有成就感的，今天，戀習Python的手把手系列，手把手教你入門Python爬蟲，爬取貓眼電影TOP100榜資訊，將涉及到基礎爬蟲架構中的HTML下載器、HTML解析器、資料儲存器三大模組：

• HTML下載器：利用requests模組下載HTML網頁;

• HTML解析器：利用re正則表示式解析出有效資料;

• 資料儲存器：將有效資料通過檔案或者資料庫的形式儲存起來;

一、構造HTML下載器

 1import requests
 2from requests.exceptions import
 
 RequestException
 3headers = {'User-Agent':'Mozilla/5.0 '}
 4def get_one_page(url):
 5    try:
 6        res = requests.get(url,headers = headers)
 7        if res.status_code == 200:
 8            return res.text
 9        return None
10    except RequestException:
11        return None

二、構造HTML解析器

 1def parse_one_page
 
(html):
 2    pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'
 3                         +'.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
 4                         +'.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>'
 
,re.S)
 5    items = re.findall(pattern,html)
 6    for item in items:
 7        yield{
 8            'index': item[0],
 9            'image': item[1],
10            'title': item[2],
11            'actor': item[3].strip()[3:],
12            'time': item[4].strip()[5:],
13            'score': item[5] + item[6]
14        }

注意：

1. 在函式中本來該return的地方用yield，如果用return，在第一輪迴圈就會跳出，結果檔案只會有一部電影。如果用yield，函式返回的就是一個生成器，而生成器作為一種特殊的迭代器，可以用for——in方法，一次一次的把yield拿出來；

2. re.findall(pattern,string[,flags])：搜尋整個string，以列表的形式返回能匹配的全部子串，其中引數是匹配模式，如re.S表示點任意匹配模式，改變“.”的行為。

三、構造資料儲存器

1def write_to_file(content):
2    with open ('result.txt', 'a',encoding='utf-8') as f:
3        f.write(json.dumps(content,ensure_ascii=False) + '\n')
4        f.close()

注意事項：

1. 為什麼ensure_ascii=False？原因是json預設是以ASCII來解析code的，由於中文不在ASCII編碼當中，因此就不讓預設ASCII生效；

2. 要寫入特定編碼的文字檔案，請給open()函式傳入encoding引數，將字串自動轉換成指定編碼。細心的童鞋會發現，以'w'模式寫入檔案時，如果檔案已存在，會直接覆蓋（相當於刪掉後新寫入一個檔案）。如果我們希望追加到檔案末尾怎麼辦？可以傳入'a'以追加（append）模式寫入。

接下來就是構造主函式，初始化各個模組，傳入入口URL，按照執行流程執行上面三大模組：

1def main(offset):
2    url = 'http://maoyan.com/board/4?offset=' + str(offset)
3    html = get_one_page(url)
4    for item in parse_one_page(html):
5        print(item)
6        write_to_file(item)
7if __name__ == '__main__':
8    p = Pool()
9    p.map(main,[i*10 for i in range(10)])

注意：
為了提高速度，我們引入Pool模組，用多執行緒併發抓取。

執行程式碼後，結果如下：

本文中介紹了基礎爬蟲架構主要的的三個模組（HTML下載器、HTML解析器、資料儲存器），無論大型還是小型爬蟲都不會脫離這三個模組，也希望大家通過這個小小的練習對整個爬蟲有個清晰的認識，歡迎大家一起談論學習交流。