50 行代码教你爬取猫眼电影 TOP100 榜所有信息

小小科

发布于 2018-05-04 14:10:45

8320

发布于 2018-05-04 14:10:45

文章被收录于专栏：北京马哥教育北京马哥教育

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：