python爬虫--13 猫眼电影爬虫

"""
HTML下载器：利用requests模块下载HTML网页；
HTML解析器：利用re正则表达式解析出有效数据
数据存储器：将有效数据通过文件或者数据库的形式存储起来
"""
import requests
import json
import re
from multiprocessing.dummy import Pool
from requests.exceptions import RequestException

# 一、构造HTML下载器
headers = {
    
    'User-Agent': 'Mozilla/5.0 '}


def get_one_page(url):
    try:
        res = requests.get(url, headers=headers)
        if res.status_code == 200:
            return res.text
        return None
    except RequestException:
        return None


# 二、构造HTML解析器

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)
    # re.findall(pattern,string[,flags])：搜索整个string，以列表的形式返回能匹配的全部子串，
    # 其中参数是匹配模式，如re.S表示点任意匹配模式，改变“.”的行为
    items = re.findall(pattern, html)
    for item in items:
        # 本来该return的地方用yield，如果用return，在第一轮循环就会跳出，结果文件只会有一部电影。
        # 如果用yield，函数返回的就是一个生成器，而生成器作为一种特殊的迭代器，可以用for——in方法，一次一次的把yield拿出来
        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]
        }


# 三、构造数据存储器
def write_to_file(content):
    # open()函数传入encoding参数，将字符串自动转换成指定编码,
    # w'模式直接覆盖写（相当于删掉后新写入一个文件），'a'为追加写
    with open('result.txt', 'a', encoding='utf-8') as f:
        # json默认是以ASCII来解析code的，由于中文不在ASCII编码当中，因此就不让默认ASCII生效
        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_one_page(url)
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)


if __name__ == '__main__':
    # Pool模块，多线程并发抓取
    p = Pool()
    p.map(main, [i * 10 for i in range(11)])