爬取某电影网站排名前100的电影

# -*- coding:utf-8 -*-


#获取要爬取的html
import re
from multiprocessing.pool import Pool

import requests


def get_html_page(url):
    #添加请求头,模拟网络
    headers = {
        "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"}
    try:


        # 采用requests进行访问网络
        response = requests.get(url,headers = headers)
        if response.status_code == 200:
            return response.text
        return None
    except Exception as e:
        print(e)
        return None


def parse_html_page(html):
    #正则表达式表示好难啊,这个还是用别人的,自己还得继续加油学习
    pattern = re.compile('

.*?board-index.*?>(\d+).*?data-src="(.*?)".*?name">                         +'.*?>(.*?).*?star">(.*?)

.*?releasetime">(.*?)

'
                         +'.*?integer">(.*?).*?fraction">(.*?).*?

', 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 main(offset):
    url = 'http://maoyan.com/board/4?offset=' + str(offset)
    html = get_html_page(url)
    for item in parse_html_page(html):
        #输出结果
        print(item)
        #可以写入文件或者存入数据库,依据需求而定
       # write_to_file(item)
#主方法入口
if __name__ == '__main__':
    pool = Pool()
    pool.map(main, [i*10 for i in range(10)])
    pool.close()

    pool.join()

很高兴再次将自己学习的新东西写入博客,希望大家多多支持,一起学习