环境配置:
1.系统环境:WIN7
2.编译环境:Python3.7
3.所需库:requests、re、json、multiprocessing
4.IDE:Pycharm
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
1.HTML 下载器
了解这次爬虫的目标是TOP100榜-猫眼电影-一网打尽好电影。首先,对网站代码进行获取。用的是最方便的requests库,get用法。但是,发现,无法正常获取到信息,百度相关问题后,使用加入请求头的办法,网站数据正常获取。为了防止程序中断,第一个获取网页数据的函数get_one_page,加入了两个进程错误处理。一个是请求状态码不为200时,另一个是获取网页代码失败时的错误处理。
import json
import re
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
注意事项:
有些网站提供的代码如果返回的是None, 这时,你需要添加个headers,如本文提供的代码里面的headers = {'User-Agent':'Mozilla/5.0 '}。通过添加的headers,你可以成功抓取页面。运行的结果如图:
2.构造HTML解析器
主要办法是利用正则表达式,从网页源代码中找出符合正则的代码部分,再利用正则中(.*?)的用法,对关键信息提取,再利用re.findall方法进行搜索。最后对搜索结果进行遍历,用yield——生成器,生成了一个字典item。
def parse_one_page(html):
pattern = re.compile('.*?board-index.*?>(\d+).*?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。
3. 构造数据存储器
将获取的数据——字典item,用json.dumps方法,将字典转化为 JSON格式以便用来存储。但是,结果是乱码,需要再进行字符编码处理。写入时,声明encoding='utf-8',json.dumps方法调用时,声明ensure_ascii=False。
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。
4.构造主函数
构造main()程序调用各个函数。并且通过观察不用页的网站地址规律,加入多页爬取的办法。if __name__ == '__main__',使用这行代码调用main()程序。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__':
for i in range(10):
main(i * 10)
5.多线程抓取
由于本次数据量不大,如果对多线程有兴趣,也可以尝试多线程,使用多进程进行抓取,以应对以后大量的数据抓取。
from multiprocessing import Pool
if __name__ == '__main__':
pool = Pool()
pool.map(main, [i*10 for i in range(10)])
下面为普通抓取和多进程抓取的时间对比:
6.完整代码整合
importjson
importre
importrequests
fromrequests.exceptionsimportRequestException
headers = {'User-Agent':'Mozilla/5.0 '}
defget_one_page(url):
try:
res = requests.get(url,headers= headers)
ifres.status_code ==200:
returnres.text
return None
exceptRequestException:
return None
defparse_one_page(html):
pattern = re.compile('.*?board-index.*?>(\d+).*?src="(.*?)".*?name">
+'.*?>(.*?).*?star">(.*?)
.*?releasetime">(.*?)
'
+'.*?integer">(.*?).*?fraction">(.*?).*?',re.S)
items = re.findall(pattern,html)
foriteminitems:
yield{
'index': item[],
'image': item[1],
'title': item[2],
'actor': item[3].strip()[3:],
'time': item[4].strip()[5:],
'score': item[5] + item[6]
}
defwrite_to_file(content):
withopen('result.txt','a',encoding='utf-8')asf:
f.write(json.dumps(content,ensure_ascii=False) +'\n')
f.close()
defmain(offset):
url ='http://maoyan.com/board/4?offset='+str(offset)
html = get_one_page(url)
foriteminparse_one_page(html):
print(item)
write_to_file(item)
if__name__ =='__main__':
foriinrange(10):
main(i *10)
好了,现在亲测可以成功抓取的代码分享完毕。友情提示:如果使用的pycharm的时候,提示你类似这样的:ModuleNotFoundError: No module named 'requests'的处理办法:首先,确定自己电脑已正确安装相应的库;其次,确认电脑已安装,到pycharm里面的file文件下的settings,进行设置,如下图所示。最后,点击右侧的加号添加库即可,把你所需要的库添加到pycharm中。
(参考:中国统计网)
领取专属 10元无门槛券
私享最新 技术干货