手把手 50行Python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 requestsfrom requests.exceptions import RequestExceptionheaders = {'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('.*?board-index.*?>(d+).*?data-src="(.*?)".*?name">(.*?).*?star">(.*?)

.*?releasetime">(.*?)

' +'.*?integer">(.*?).*?fraction">(.*?).*?',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: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

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

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: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:

零基础小白到大神之路,欢迎加裙 四七四五三四九五一,群里有免费python课程,还有大量干货哦

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。

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180228A06X4A00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券