一、前言

最近在看崔慶才先生編寫的《Python3網路爬蟲開發實戰》這本書，學習了requests庫和正則表示式，爬取貓眼電影top100榜單是這本書的第一個例項，主要目的是要掌握requests庫和正則表示式在實際案例中的使用。

二、開發環境

執行平臺： Windows 10
Python版本： Python3.6
IDE： PyCharm

三、爬取思路

1. 抓取單頁內容
2. 正則表示式提取有用資訊
3. 儲存資訊
4. 下載TOP100所有電影資訊
5. 多執行緒抓取

爬取單頁內容

首先開啟Chrome瀏覽器，開啟貓眼電影網站（http://maoyan.com/）然後點選榜單，點選TOP100榜。

import requests
from requests.exceptions import RequestException #捕捉異常

def get_one_page(url):
    '''
    獲取網頁html內容並返回
    '''
    try:
        # 獲取網頁html內容
        response = requests.get(url)
        # 通過狀態碼判斷是否獲取成功
        if response.status_code == 200:
            return
 
 response.text
        return None
    except RequestException:
        return None

def main():
    url = 'http://maoyan.com/board/4'
    html = get_one_page(url)
    print(html)

if __name__ == '__main__':
    main()

正則表示式提取有用資訊

然後按F12，檢視網頁的原始碼，然後逐層找到要爬取資訊的所在位置①排名、②電影封面、③電影名稱、④主演、⑤上映時間、⑥評分（整數和小數兩部分）

import re

def parse_one_page(html):
    '''
    解析HTML程式碼，提取有用資訊並返回
    '''
    # 正則表示式進行解析
    pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name">'
        + '<a.*?>(.*?)</a>.*?"star">(.*?)</p>.*?releasetime">(.*?)</p>'
        + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)
    # 匹配所有符合條件的內容
    items = re.findall(pattern, html)

    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]
        }

# 修改main()函式
def main():
    url = 'http://maoyan.com/board/4'
    html = get_one_page(url)
    for item in parse_one_page(html):
        print(item)

儲存資訊

將爬取的資訊儲存成檔案形式，方便以後檢視

def write_to_file(content):               #儲存到檔案中
    with open('result.txt','a',encoding='utf-8') as f:
        f.write(json.dumps(content,ensure_ascii=False)+'\n') #利用json.dumps將字典轉換成字串的形式
        f.close()

下載TOP100所有電影資訊

通過點選下面的頁面標籤換頁發現URL中多了offset引數，每次換頁更改的都是offset引數後面的數字，數字更改的規律都是 (頁碼數-1)*10

所以只需要更改main函式動態改變URL即可完成：

def main(offset):
    url = 'http://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 rang(10):
        main(i * 10)

多執行緒爬取

此次爬取的資料不太多，引入多執行緒是為了以後爬取更多的資料做準備的，多執行緒爬取資料能讓爬取的速度更加的迅速，節省爬取時間

from multiprocessing import Pool

if __name__ == '__main__':
    pool=Pool()
    pool.map(main,[i*10 for i in range(10)])

四、完整程式碼

#匯入需要使用的模組
import requests
from multiprocessing import Pool
from requests.exceptions import RequestException
import re
import json

#嘗試連接獲取頁面
def get_one_page(url):
    try:
        response=requests.get(url)
        if response.status_code==200:
            return response.text
        return None
    except RequestException:
        return None

#正則匹配需要的內容
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)
    #用迭代進行非同步操作 
    items=re.findall(pattern,html)
    for item in items:
        yield {
            'index':item[0],
            'image':item[1],
            'title':item[2],
            'ator':item[3].strip()[3:],
            'time':item[4].strip()[5:],
            'score':item[5]+item[6]
        }

#儲存到檔案中
def write_to_file(content):               
    with open('result.txt','a',encoding='utf-8') as f:
        f.write(json.dumps(content,ensure_ascii=False)+'\n') #利用json.dumps將字典轉換成字串的形式
        f.close()

#配置啟動函式
def main(offset):
    url='http://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)

#使用多程序加速一秒完成
if __name__ == '__main__':
    pool=Pool()
    pool.map(main,[i*10 for i in range(10)])

五、總結

熟練使用requests庫和正則表示式是網路爬蟲的基礎，大多數的網站都可以利用requests庫+正則表示式將需要資訊爬取下來