requests + 正则表达式 获取 ‘猫眼电影top100’。

使用 进程池Pool 提高爬取数据的速度。

# !/usr/bin/python
# -*- coding:utf-8 -*-
import requests
from requests.exceptions import RequestException
import re
import json
from multiprocessing import Pool,Lock


# 获取单页数据信息；
def get_one_page(url, headers):
    try:
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None

# 使用正则表达式解析数据；
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)
    # 将获取的数据以字典形式返回；
    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]
        }

# 将字典转换为字符串保存，
def write_to_file(content):
    lock.acquire()
    with open('result.txt', 'a', encoding="utf-8") as f:
        f.write(json.dumps(content, ensure_ascii=False) + "
")
        f.close()
    lock.release()

def init(l):
    global lock
    lock = l

# 传入爬取链接，运行函数；
def main(offset):
    url = "https://maoyan.com/board/4?offset=" + str(offset)
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36"
    }
    html = get_one_page(url, headers=headers)
    for item in parse_one_page(html):
        write_to_file(item)

if __name__ == '__main__':
    # for i in range(10):
    #     main(i*10)
    # 使用 进程池 提高爬取速度；
    lock = Lock()
    Pool = Pool(initializer=init, initargs=(lock,))
    Pool.map(main, [i*10 for i in range(10)])

python限定了多进程要调用的函数不能是类方法，需把多进程调用的函数放到类外面，或者变成静态函数。

但静态函数不能被该类的方法调用（ self.ProcessWorker  形式），需在外部调用：如 mc = MyClass(), mc.ProcessWorker 或 MyClass().ProcessWorker 。

python 多进程编程中进程池锁共享问题参考博客：https://blog.csdn.net/qq_27292549/article/details/78929296

# 将数组中的每个元素提取出来当作函数的参数，创建一个个进程，放进进程池中；
# 第一个参数是函数，第二个参数是迭代器，将迭代器中的数字作为参数依次传入函数中