50 行代码教你爬取猫眼电影 TOP100 榜所有信息

来源:程序人生

ID:coder_life

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

作者 | 丁彦军

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

一、构造 HTML 下载器

import requests
from requests.exceptions import RequestException

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

def get_one_page(url):
    try:
        res = requests.get(url,headers = headers)
        if res.status_code == 200:
            return res.text
        return None
    except RequestException:
        return None

二、构造 HTML 解析器

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)
    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]
        }

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。

三、构造数据存储器

def write_to_file(content):
    with open ('result.txt', 'a',encoding='utf-8') as f:
        f.write(json.dumps(content,ensure_ascii=False) + '\n')
        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:

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

if __name__ == '__main__':
    p = Pool()
    p.map(main,[i*10 for i in range(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,欢迎大家一起谈论学习交流。

《Python人工智能和全栈开发》2018年07月23日即将在北京开课,120天冲击Python年薪30万,改变速约~~~~

*声明:推送内容及图片来源于网络,部分内容会有所改动,版权归原作者所有,如来源信息有误或侵犯权益,请联系我们删除或授权事宜。

- END -


原文发布于微信公众号 - 马哥Linux运维(magedu-Linux)

原文发表时间:2018-04-17

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏Coding+

youtube-dl CMD

您可以通过将任何支持的命令行选项放置到配置文件来配置 youtube-dl。在 Linux 和 OS X 上,系统范围的配置文件位于 /etc/youtube-...

61640
来自专栏杨建荣的学习笔记

初识YAML

晚上本来想看看Julia语言的,最后发现需要花额外的不少时间,就先放放,那就看看Yaml吧,要学习的话,周期短,本身也比较简单清晰。 早些年的...

29070
来自专栏Java架构师进阶

工作8年的Java程序员告诉你关于面试的六个知识点

无论是哪一种编程语言,基础永远是你不能忽视的部分。以下是比较常出现的十个点,当然最好是全都能熟悉。

9320
来自专栏大数据钻研

献给前端求职路上的你们(下)

真正面试中,面试官往往采用的是由难到易的套路,那js和jQuery就是重中之重了,以及针对项目和所用技术方面的一些问题也就是你的必备储粮啦! JavaScrip...

31260
来自专栏java一日一条

Web前端面试题目及答案汇总

以下是收集一些面试中经常会遇到的经典面试题以及自己面试过程中无法解决的问题,通过对知识的整理以及经验的总结,重新巩固自身的前端基础知识,如有错误或更好的答案,欢...

3.3K20
来自专栏北京马哥教育

爬虫实践---一次下完所有小说:排行榜小说批量下载

? 一、目标 排行榜的地址: http://www.qu.la/paihangbang/ 找到各类排行旁的的每一部小说的名字,和在该网站的链接。 二、...

32950
来自专栏CSDN技术头条

Go语言实践:从新手入门到上线真实的小型服务所遇到的那些坑

Teamwork团队在去年写了近20万行Go代码,建造了一堆速度奇快的小型HTTP服务,本文列出了他们总结的9条经验教训。 为什么选择Go语言?Go语言,又称G...

23370
来自专栏韩伟的专栏

架构实现利器:反射

假设我们希望开发一套通用型的软件框架,这个框架允许用户自定义大量不同的情况下的回调函数(方法),用来实现丰富多彩的业务逻辑功能,例如一个游戏脚本引擎,那么,其中...

61400
来自专栏Golang语言社区

Go语言实战: 编写可维护Go语言代码建议

大家好, 我在接下来的两个会议中的目标是向大家提供有关编写Go代码最佳实践的建议。

23830
来自专栏JAVA高级架构

Java高级程序员(5年左右)面试的题目集

1 时隔两年 再一次的面临离职找工作,这一次换工作有些许的不舍,也有些许的无奈。个人所在的技术团队不错,两年时间成长了很多,也很不舍这个团队。但是,由于公司...

42760

扫码关注云+社区

领取腾讯云代金券