• 利用requests和正则表达式爬取猫眼Top250电影


    import time
    import os
    import requests
    from requests.exceptions import RequestException
    import re
    import json
    from multiprocessing import Pool
    
    # 获取网页的html
    def get_one_page(url):
        try:
            headers = {
                "user-agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) Apple
                              WebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36"
            }
            response = requests.get(url, headers=headers)
            response.encoding = response.apparent_encoding
            if response.status_code == 200:
                return response.text
            return None
        except RequestException as e:
            return None
    
    # 解析html,获取所需的排名,图片等信息
    def parse_one_page(html):
        pattern = re.compile(r'<li>.*?class="pic".*?class="">(d+)</em>.*?src="(.*?)".*?class="hd".*?'
                             + r'title">(.*?)</span>.*?class="bd".*?">(.*?)<br>.*?rating_num.*?average">(.*?)</span>'
                             + r'.*?content.*?<span>(.*?)</span>.*?</li>', re.S)
        items = re.findall(pattern, html)
        for item in items:
            # print(item)
            yield {
                'index': item[0],
                'image': item[1],
                'title': item[2],
                'director': item[3].strip().split('   ')[0][4:],
                # 'actor': item[3].strip().split('   ')[1][4:].strip(' /...'),   # 
                'score': item[4],
                'score_number': item[5].strip()
            }
    
        # print(items)
    
    # 将筛选出来的信息存入文件
    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()
    
    # 启动函数
    def main(offset):
        url = 'https://movie.douban.com/top250?start=' + str(offset)
        html = get_one_page(url)
        # time.sleep(1)
        # parse_one_page(html)
        # print(html)
        for item in parse_one_page(html):
            print(item)
            write_to_file(item)
    
    
    if __name__ == '__main__':
        if os.path.exists('result.txt'):
            os.remove('result.txt')
        pool = Pool()
        pool.map(main, [i*25 for i in range(10)])
    

      1.在利用进程池爬取网页时,会出现文件的编码格式错误,目前还未找到原因,使用单进程不会出现这种情况。

  • 相关阅读:
    回到顶部
    侧边横幅特效
    中部导航吸顶
    scroll
    层次化索引MultiIndex
    pandas处理缺失值df.dropna( )的thresh参数
    pd.Index(ser2).get_indexer(ser1),返回ser1中各元素在ser2中的索引位置
    FutureWarning
    数据框索引行
    对字典dict使用最大值函数max
  • 原文地址:https://www.cnblogs.com/nxrs/p/12573435.html
Copyright © 2020-2023  润新知