Requests+正则表达式爬取猫眼电影

爬取单页内容

利用requests请求目标站点，得到单个网页HTML代码，返回结果

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。

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

开启循环及多进程

对多页内容遍历，开启多进程提高爬取速度。

附上代码：

 1 import json
 2 from multiprocessing import Pool
 3 import requests
 4 from requests.exceptions import RequestException
 5 import re
 6 
 7 def get_one_page(url):
 8     try:
 9         response = requests.get(url)
10         if response.status_code == 200:
11             return response.text
12         return None
13     except RequestException:
14         return None
15 
16 def parse_one_page(html):
17     pattern = re.compile(r\'<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a\'
18                          +\'.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>\'
19                          +\'.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>\',re.S)
20     items = re.findall(pattern,html)
21     for item in items:
22         yield{
23             \'index\':item[0],
24             \'image\':item[1],
25             \'title\':item[2],
26             \'actor\':item[3].strip()[3:],
27             \'time\':item[4].strip()[5:],
28             \'score\':item[5]+item[6]
29         }
30 
31 def write_to_file(content):
32     with open(\'result.txt\',\'a\',encoding=\'utf-8\') as f:
33         f.write((json.dumps(content, ensure_ascii=False))+\'\n\')
34         f.close()
35 
36 def main(offset):
37     url = \'https://maoyan.com/board/4?offset=\' + str(offset)
38     html = get_one_page(url)
39     # print(html)
40     for item in parse_one_page(html):
41         print(item)
42         write_to_file(item)
43 
44 if __name__ == \'__main__\':
45     # for i in range(10):
46     #     main(i*10)
47     pool = Pool()
48     pool.map(main,[i*10 for i in range(10)])

spider.py

参考：

Python 3网络爬虫开发实战 ,崔庆才著 ,2018.04.pdf