手把手|50行Python代码教你爬取猫眼电影TOP100榜所有信息

作者:菜鸟分析 来源: https://zhuanlan.zhihu.com/c_149865214

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,恋习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

 1import requests
 2from requests.exceptions import RequestException
 3headers = {'User-Agent':'Mozilla/5.0 '}
 4def get_one_page(url):
 5    try:
 6        res = requests.get(url,headers = headers)
 7        if res.status_code == 200:
 8            return res.text
 9        return None
10    except RequestException:
11        return None

二、构造HTML解析器

 1def parse_one_page(html):
 2    pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'
 3                         +'.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
 4                         +'.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>',re.S)
 5    items = re.findall(pattern,html)
 6    for item in items:
 7        yield{
 8            'index': item[0],
 9            'image': item[1],
10            'title': item[2],
11            'actor': item[3].strip()[3:],
12            'time': item[4].strip()[5:],
13            'score': item[5] + item[6]
14        }

注意:

  1. 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;
  2. 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

1def write_to_file(content):
2    with open ('result.txt', 'a',encoding='utf-8') as f:
3        f.write(json.dumps(content,ensure_ascii=False) + '\n')
4        f.close()

注意事项:

  1. 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;
  2. 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:

1def main(offset):
2    url = 'http://maoyan.com/board/4?offset=' + str(offset)
3    html = get_one_page(url)
4    for item in parse_one_page(html):
5        print(item)
6        write_to_file(item)
7if __name__ == '__main__':
8    p = Pool()
9    p.map(main,[i*10 for i in range(10)])

注意: 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。

欢迎大家转发分享,觉得好就给个赞吧!

原文发布于微信公众号 - Python数据科学(Python_Spiderman)

原文发表时间:2018-04-23

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java一日一条

JAVA:自定义套件...

各位亲爱的小伙伴们大家好,最近很多伙伴都问我该怎么做自定义套件封装,我在这里做了一个教程分享给大家。

8620
来自专栏技术博客

编写高质量代码改善C#程序的157个建议[用抛异常替代返回错误、不要在不恰当的场合下引发异常、重新引发异常时使用inner Exception]

  自从.NET出现后,关于CLR异常机制的讨论就几乎从未停止过。迄今为止,CLR异常机制让人关注最多的一点就是“效率”问题。其实,这里存在认识上的误区,因为正...

12320
来自专栏北京马哥教育

编写Linux Shell脚本的最佳实践

来自:Myths的个人博客 作者:myths 链接:https://blog.mythsman.com/2017/07/23/1/(点击尾部阅读原文前往) 前言...

42090
来自专栏Golang语言社区

Go语言并发编程总结

Golang :不要通过共享内存来通信,而应该通过通信来共享内存。这句风靡在Go社区的话,说的就是 goroutine中的 channel …….

14340
来自专栏蓝天

cgroup初步分析(1)

cgroup的功能和作用不废话,直说一下cgroup的几条设计准则,有了几条设计准则的约束,就比较容易理解其中的数据结构和函数,至于源代码cgroup.c,无非...

14110
来自专栏眯眯眼猫头鹰的小树杈

猫头鹰的深夜翻译:Volatile的原子性, 可见性和有序性

为什么要额外写一篇文章来研究volatile呢?是因为这可能是并发中最令人困惑以及最被误解的结构。我看过不少解释volatile的博客,但是大多数要么不完整,要...

16350
来自专栏炉边夜话

写程序应该注意的地方

1. 对于文本编辑框,一定要判断是否含有非法字符。对于数字型一定要判断是否含有非数字。对于字符型,一定要判断是否在允许的字符内。

19630
来自专栏顶级程序员

50 行代码教你爬取猫眼电影 TOP100 榜所有信息

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,恋习Python的手把手系列,手把手教你入门Python爬虫,爬取猫眼...

13530
来自专栏IT派

50 行代码教你爬取猫眼电影 TOP100 榜所有信息

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,恋习Python的手把手系列,手把手教你入门Python爬虫,爬取猫眼...

9620
来自专栏程序员的知识天地

这4个Python实战项目,让你瞬间读懂Python!

Python当下真的很火。Python实战项目,也一直尤为关注,接下来,和大家介绍下十个Python练手的实战项目

16030

扫码关注云+社区

领取腾讯云代金券