猫眼网基础爬虫-小白的第一次爬虫经历

以下为最近爬取猫眼TOP100榜单的代码：

import requests
import re
import json
import datetime
import time

def get_one_page(url):
    #获取网页
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'
    }
    response = requests.get(url,headers=headers,)
    #此处一定要加一个headers=headers来模拟浏览器发送请求
    if response.status_code==200:
        return response.text
    return None

# main()
def parse_one_page(html):
    #使用正则表达式抓取网页信息
    pattern = re.compile('
.*?board-index.*?>(.*?).*?data-src="(.*?)".*?name.*?}">'
                         '(.*?).*?">(.*?)
.*?">(.*?)
.*?integer">(.*?).*?">(.*?)',re.S)
    items = re.findall(pattern,html)
    for item in items:
        yield {
            'index':item[0],
            'img':item[1],
            'title':item[2],
            'actor':item[3].strip()[3:] if len(item[3])>3 else '',
            'time':item[4].strip()[5:] if len(item[4])>5 else '',
            'score':item[5].strip()+item[6].strip()
        }
        #迭代生成器,相当于依次生成了一个列表
        # dict = {
        #     'index':item[0],
        #     'img':item[1],
        #     'title':item[2],
        #     'actor':item[3].strip()[3:] if len(item[3])>3 else '',
        #     'time':item[4].strip()[5:] if len(item[4])>5 else '',
        #     'score':item[5].strip()+item[6].strip()
        # }
        # print(dict)
        # print(item)

def write_to_file(context):
    with open('result.txt','a',encoding='utf-8') as f:
        #以附加模式打开文件result.txt
        f.write(json.dumps(context,ensure_ascii=False)+'\n'+str(datetime.datetime.now()))
        '''json.dumps，将文件装换为json格式写入，ensure_ascii=False保证输出的结果是中文形式而不是Unicode编码,
          末尾添加爬取时系统时间 '''

def main(offset):
    #设置形参offset
    url = 'http://maoyan.com/board/4?offset='+str(offset)
    html = get_one_page(url)
    # print(html)
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)

if __name__ == '__main__':
    for i in range(10):
        #传入offset参数
        main(offset = i*10)
        time.sleep(1)

代码参考至网络爬虫开发实战--崔庆才