作为一名python的初学者,有必要在学习的过程中记录笔记,方便以后查看。另外,现在的技术更新很快,通过书籍和视频学习python时,有些内容可能已经过时,所以在此将更新过的内容记录下来。
由于requests应用起来比urllib方便很多,而正则表达式是HTML解析的基础方法,因此本文利用requests+正则表达式将猫眼电影的相关信息爬取下来,然后以文件的形式保存下来。
(1)目标站点分析
首先打开猫眼电影http://maoyan.com/,依次点击“榜单”和“TOP100榜”,页面显示出TOP100榜单的电影信息:
拉到最底部,发现每页有10部推荐电影,点击“下一页”,网页URL中的“offset”变为10:
下面进行网页代码的分析。在网页中点击右键--》“检查”,审查网页元素,可以发现每部电影均包含在一个“<dd>...</dd>”标签之中:
打开标签,可以很容易地找到电影的图片链接、标题、主演、上映时间和评分等信息,也就可以方便地用正则表达式提取出来:
(2)流程框架
1.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。
2.正则表达式分析
根据HTML代码分析得到电影的名称、主演、上映时间、评分、图片链接等信息。
3.保存至文件
通过文件的形式将结果保存,每一部电影一个结果一行json字符串。
4.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)爬虫代码
# maoyan_top100.py
import requests
from requests.exceptions import RequestException
import re
import json
from multiprocessing import Pool
def get_one_page(url):
try:
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
+'Chrome/67.0.3396.99 Safari/537.36'
}
response = requests.get(url, headers=headers) # 模拟成浏览器
if response.status_code == 200:
return response.text
return None
except RequestException:
return None
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)
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]
}
def write_to_file(content):
with open('E:/PycharmProjects/maoyan_top100.txt', 'a', encoding='utf-8') as f:
f.write(json.dumps(content, ensure_ascii=False) + '\n') # 字典转换为字符串
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)
# 多进程
if __name__ == '__main__':
pool = Pool()
pool.map(main, [i*10 for i in range(10)])
'''
if __name__ == '__main__':
for i in range(10):
main(i*10)
'''