50行Python爬取猫眼电影TOP100榜单信息

　　

　　j今天，手把手教你入门 Python 爬虫，爬取猫眼电影 TOP100 榜信息。

　　对于 Python 初学者来说，爬虫技能是应该是最好入门，也是最能够有让自己有成就感的，今天，练习 Python 的手把手系列，手把手教你入门 Python 爬虫，爬取猫眼电影 TOP100 榜信息，将涉及到基础爬虫架构中的 HTML 下载器、HTML 解析器、数据存储器三大模块：

　　HTML 下载器：利用 requests 模块下载 HTML 网页;

　　HTML 解析器：利用 re 正则表达式解析出有效数据

　　数据存储器：将有效数据通过文件或者数据库的形式存储起来

　　小编给大家推荐一个学习氛围超好的地方，python交流企鹅裙：474534951!适合在校大学生，小白，想转行，想通过这个找工作的加入。裙里有大量学习资料，有大神解答交流问题，每晚都有免费的直播课程

　　01 构造 HTML 下载器

　　importrequests

　　fromrequests.exceptionsimportRequestException

　　headers={'User-Agent':'Mozilla/5.0'}

　　defget_one_page(url):

　　try:

　　res=requests.get(url,headers=headers)

　　ifres.status_code==200:

　　returnres.text

　　returnNone

　　exceptRequestException:

　　returnNone

　　02 构造 HTML 解析器

　　defparse_one_page(html):

　　pattern=re.compile('.*?board-index.*?(d+).*?src=(.*?).*?name

　　+'.*?(.*?).*?star(.*?).*?releasetime(.*?)'

　　+'.*?integer(.*?).*?fraction(.*?).*?',re.S)

　　items=re.findall(pattern,html)

　　foriteminitems:

　　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]

　　}

　　注意事项：

　　在函数中本来该 return 的地方用 yield，如果用 return，在第一轮循环就会跳出，结果文件只会有一部电影。如果用 yield，函数返回的就是一个生成器，而生成器作为一种特殊的迭代器，可以用 for——in 方法，一次一次的把 yield 拿出来;

　　re.findall(pattern,string[,flags])：搜索整个 string，以列表的形式返回能匹配的全部子串，其中参数是匹配模式，如 re.S 表示点任意匹配模式，改变“.”的行为。

　　03 构造数据存储器

　　defwrite_to_file(content):

　　withopen('result.txt','a',encoding='utf-8')asf:

　　f.write(json.dumps(content,ensure_ascii=False)+'

　　')

　　f.close()

　　注意事项：

　　为什么 ensure_ascii=False?原因是 json 默认是以 ASCII 来解析 code 的，由于中文不在 ASCII 编码当中，因此就不让默认 ASCII 生效;

　　要写入特定编码的文本文件，请给 open()函数传入 encoding 参数，将字符串自动转换成指定编码。细心的童鞋会发现，以'w'模式写入文件时，如果文件已存在，会直接覆盖(相当于删掉后新写入一个文件)。如果我们希望追加到文件末尾怎么办?可以传入'a'以追加(append)模式写入。

　　接下来就是构造主函数，初始化各个模块，传入入口 URL，按照运行流程执行上面三大模块：

　　defmain(offset):

　　url='http://maoyan.com/board/4?offset='+str(offset)

　　html=get_one_page(url)

　　foriteminparse_one_page(html):

　　print(item)

　　write_to_file(item)

　　if__name__=='__main__':

　　p=Pool()

　　p.map(main,[i*10foriinrange(10)])

　　注意事项：

　　为了提高速度，我们引入 Pool 模块，用多线程并发抓取

　　执行代码后，结果如下：

　　

 

　　本文中介绍了基础爬虫架构主要的的三个模块(HTML 下载器、HTML 解析器、数据存储器)，无论大型还是小型爬虫都不会脱离这三个模块，也希望大家通过这个小小的练习对整个爬虫有个清晰的认识

​