python爬取猫眼电影

首先来了解一下python中yield函数迭代的功效

https://www.ibm.com/developerworks/cn/opensource/os-cn-python-yield/

然后这一期我们来玩一下python爬去猫眼电影，

 

        当然，注意的地方是这里的headers一定要带上，看着被人不带上也能玩，可是我不行，觉得这是一个坑，还是带上吧。总之，要想着在学习生涯里，别人能玩的东西，自己不要只是艳羡，如果自己感兴趣，自己也可以玩玩的。

import requests
from requests.exceptions import RequestException
import re
from multiprocessing import Pool
import json

#这里一定要给到一个headers，如果不给是得不到结果的
def get_one_page(url):
    try:
        headers ={
            'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.79 Safari/537.36'
        }
        response = requests.get(url,headers = headers)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None


#这里要注意的是正则表达式截取对应的html位置，前后缀
def parse_one_page(html):
    #解析html页面
    pattern = re.compile('<dd>.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'
                         +'.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)'
                         +'</p>.*?eger">(.*?)</i>.*?on">(\d+)</i></p> ',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]
        }

#这里要注意的是编码问题，如果不转会变成二进制数据
def write_to_file(content):
    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 = 'http://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__':
#     for i in range(10):
#         main(i*10)
#多进程快速爬去，添加了进程池
if __name__ == '__main__':
    pool = Pool()
    pool.map(main,[i*10 for i in range(10)])