Python爬虫之一：抓取猫眼电影TOP100

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）