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('.*?board-index.*?">(\d+).*?data-src="(.*?)".*?name">
+ '.*?>(.*?).*?star">(.*?).*?releasetime">(.*?)'
+'.*?integer">(.*?).*?fraction">(.*?).*?',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：
