爬虫：抓取猫眼电影排行榜top100

简介： 使用requests 及正则表达式完成 ( python3)

import requests
import re
from requests.exceptions import RequestException ## 用来处理异常
import json
from multiprocessing import Pool ##多线程使用

headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36'
}

def get_one_page(url):
    try:
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException: ##RequestException 是所有异常的总称
        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)
    print(items)
    return items


def write_to_file2(item):
    with open('result_table.txt','a') as f:
        f.write(item[0] + '\t' + item[1] + '\t' +item[2] + '\t' +item[3].strip().split('：')[1] \
                + '\t' + item[4].split('：')[1] + '\t' + str(item[5]+item[6]) + '\n')

def main(offset):
    url = 'http://maoyan.com/board/4?offset=' + str(offset) ##网址有防护机制，需要加一个headers.
    ##这个url是top100的链接，http://maoyan.com/board/4?offset=10 则表示这是第十页
    html = get_one_page(url)
    items = parse_one_page(html)
    for item in items:
        write_to_file2(item)

if __name__ == '__main__':
    ##使用多线程方法：
    pool =Pool()
    pool.map(main,[i*10 for i in range(10)]) ##速度很快

结果展示：