天善智能网络爬虫学习~

#http://www.maoyan.com-榜单-top100，通过改变offset=10、20...这个参数实现翻页 #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：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 import requests import re from requests.exceptions import RequestException def get_one_page(url): try: response = requests.get(url) if response.status_code == 200: return response.text return None except RequestException: return None

def main(): url = 'http://maoyan.com/board/4?' html = get_one_page(url) print(html) if __name__ == '__main__': main()

打印出的结果：10部电影

                        <i class="board-index board-index-10">10</i>     <a href="/films/1212" title="千与千寻" class="image-link" data-act="boarditem-click" data-val="{movieId:1212}">       <img src="//ms0.meituan.net/mywww/image/loading_2.e3d934bf.png" alt="" class="poster-default" />       <img data-src="http://p0.meituan.net/movie/9bf7d7b81001a9cf8adbac5a7cf7d766132425.jpg@160w_220h_1e_1c" alt="千与千寻" class="board-img" />     </a>     <div class="board-item-main">       <div class="board-item-content">               <div class="movie-item-info">         <p class="name"><a href="/films/1212" title="千与千寻" data-act="boarditem-click" data-val="{movieId:1212}">千与千寻</a></p>         <p class="star">                 主演：柊瑠美,入野自由,夏木真理         </p> <p class="releasetime">上映时间：2001-07-20(日本)</p>    </div>     <div class="movie-item-number score-num"> <p class="score"><i class="integer">9.</i><i class="fraction">3</i></p>   #<i class="board-index board-index-8">8</i> # <img data-src="http://p0.meituan.net/movie/99/678407.jpg@160w_220h_1e_1c" alt="龙猫" class="board-img" /> #<p class="name"><a href="/films/123" title="龙猫" data-act="boarditem-click" data-val="{movieId:123}">龙猫</a></p> # <p class="star"> #<p class="releasetime">上映时间：1988-04-16(日本)</p> #<p class="score"><i class="integer">9.</i><i class="fraction">2</i></p> #匹配排序8，匹配图片、标题、主演、时间、评分 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) #re.S表示匹配任意字符,若不加re.S则不能匹配换行符 items = re.findall(pattern, html) print(items)

def main(): url = 'http://maoyan.com/board/4?' html = get_one_page(url) parse_one_page(html) if __name__ == '__main__': main()

打印出来的结果：

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) #re.S表示匹配任意字符,若不加re.S则不能匹配换行符 items = re.findall(pattern, html) for item in items: yield { 'index':item[0], 'image':item[1], 'title':item[2], 'actor':item[3].strip()[3:],# '\n主演：张国荣,张丰毅,巩俐\n'用.strip()去掉换行符，用切片去掉主演：三个字 'time':item[4].strip()[5:], 'score':item[5]+item[6] } def main(): url = 'http://maoyan.com/board/4?' html = get_one_page(url) for item in parse_one_page(html): print(item) def write_to_file(content): with open('result.txt', 'a') as f: f.write(json.dumps(content) + '\n')#字典转换成字符串 f.close() def main(): url = 'http://maoyan.com/board/4?' html = get_one_page(url) for item in parse_one_page(html): print(item) write_to_file(item)路径在这：

/Users/****/Documents/wangyiyun/result.txt      但都是unicode编码了，

def write_to_file(content): with open('result.txt', 'a',encoding = 'utf-8') as f: f.write(json.dumps(content,ensure_ascii = False) + '\n')#字典转换成字符串 f.close()这样就好了

if __name__ == '__main__': for i in range(10): main(i * 10)#构造offset=0，10，20...90 pool = Pool()#构建进程池 pool.map(main,[i * 10 for i in range(10)])#将主流的函数拿出来作为一个个参数，拿到线程池里面运行 多线程，可快啦！