• 爬虫实战1:使用requests和正则爬取电影信息


    代码如下

     1 # coding=utf-8
     2 import requests
     3 from requests.exceptions import RequestException
     4 import re
     5 import json
     6 from multiprocessing import Pool  #引入进程池
     7 
     8 
     9 def get_one_page(url):
    10     headers = {
    11         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
    12                       'Chrome/65.0.3325.181 Safari/537.36'
    13     }
    14     try:
    15         response = requests.get(url, headers=headers)
    16         if response.status_code == 200:
    17             return response.text
    18         return None
    19     except RequestException:
    20         return None
    21 
    22 
    23 def parse_one_page(html):
    24     #得到排名,简报,标题,主演,上映时间,分数
    25     pattern = re.compile('<dd>.*?board-index.*?>(d+)</i>.*?data-src="(.*?)".*?name"><a.*?>(.*?)</a>'
    26                          '.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
    27                          '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)
    28 
    29     items = re.findall(pattern, html)
    30 
    31     #对输出内容进行格式化,将原先的元组格式转化为字典
    32     for item in items:
    33         yield {
    34             'index': item[0],
    35             'image': item[1],
    36             'title': item[2],
    37             'actor': item[3].strip()[3:],
    38             'time': item[4].strip()[5:],
    39             'score': item[5]+item[6]
    40         }
    41 
    42 #json.dumps方法将字典转变为字符串
    43 #encoding和下面的ascii如果不写的话resul.txt文件内容为乱码
    44 def write_to_file(content):
    45     with open('result.txt', 'a', encoding='utf-8') as f:
    46         f.write(json.dumps(content, ensure_ascii=False) + '
    ')
    47         f.close()
    48 
    49 
    50 #offset用来表示不同页面
    51 def main(offset):
    52     url = 'http://maoyan.com/board/4?offset=' + str(offset)
    53     html = get_one_page(url)
    54     for item in parse_one_page(html):
    55         print(item)
    56         write_to_file(item)
    57 
    58 if __name__ == '__main__':
    59     '''
    60     抓取top100的影片信息的一般方法,i*10的原因是网址上每页offset是按10的倍数变化的
    61     for i in range(10):
    62         main(i*10)
    63 '''
    64     #使用进程池提高效率
    65     pool = Pool()
    66     pool.map(main, [i*10 for i in range(10)])

    使用pyquery简单实现

    from pyquery import PyQuery as pq
    
    headers={ 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'}
    
    def write_to_file(content):
    with open('result.txt', 'a') as f:
    f.write(content)

    def main(offset): url='http://maoyan.com/board/4?offset=' + str(offset) doc=pq(url, headers=headers) dd=doc('dd').text() for x in dd.split(" "): print(x) print(' ')
    write_to_file(x + ' ')
    """
    合些的话可以如下
    c=''.join([x, ' '])
    print(c)
    """
    if __name__ == '__main__': for i in range(10): main(i*10)
  • 相关阅读:
    ajax traditional
    阿里云OSS NET SDK 引用示范程序
    js对象的两种写法
    BZOJ NOIP提高组十连测第一场
    ikbc 时光机 F87 Ctrl 失灵 解决办法
    【读书笔记】阅读的危险
    51nod 1118 机器人走方格 解题思路:动态规划 & 1119 机器人走方格 V2 解题思路:根据杨辉三角转化问题为组合数和求逆元问题
    【算法】求逆元模板
    【复习资料】软件工程之快速原型模型
    VirtualBox安装linux mint教程
  • 原文地址:https://www.cnblogs.com/regit/p/9261633.html
Copyright © 2020-2023  润新知