Python3爬虫简易实例1（Requests正则）

抓取某电影网TOP100

1.分析源码，以便于写正则表达式

这里是网页关键部分的源码：

然后针对它写正则表达式：

pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'
                     + '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                     + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)

然后完善：

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

def get_one_page(url, headers):
    try:
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.text
        else:
            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("result.txt", "a", encoding="utf-8") as f:
        f.write(json.dumps(content, ensure_ascii=False) + "\n")


def main(offset):
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36"
    }
    url = "http://maoyan.com/board/4?offset=" + str(offset)
    html = get_one_page(url, headers)
    for item in parse_one_page(html):
        write_to_file(item)


if __name__ == '__main__':
    for i in range(10):
        main(i*10)

必须模拟User-Agent的信息，Python默认的信息是python，必须把它改成浏览器的信息，否则会出错。

写入异常处理防止出错。

存取下来的文本内容：

Python3爬虫简易实例1（Requests正则）

还可以完善一下它，加入进程池，加速爬取。

from multiprocessing import Pool

'''.................'''


if __name__ == '__main__':
    pool = Pool()
    pool.map(main, [i*10 for i in range(10)])

Python3爬虫简易实例1（Requests正则）

相关推荐