爬虫入门到精通

1 目标

���眼榜单TOP100：https://www.maoyan.com/board

2 流程框架

1. 抓取单页内容：利用requests请求目标站点，得到单个网页HTML代码，返回结果。
2. 正则表达式分析：根据HTML代码分析得到电影名称,主演,上映时间,评分,图片链接等信息。
3. 保存至文件：通过文件的形式将结果保存，每一步电影一个结果一行json字符串。
4. 开启循环及多线程：对多页内容遍历，开启多线程提高抓取速度。

3 实战

1.抓取单页内容

import requestsfrom requests.exceptions import RequestException# 提取单页内容，用try,except防止挂机def get_one_page(url):    try:        response = requests.get(url)        if response.status_code == 200:#如果状态码为200，请求成功            return  response.text        return response.status_code  #请求失败，返回状态码结果    except RequestException:        return  Nonedef main():    url = "https://www.maoyan.com/board/4"    html = get_one_page(url)    print(html)if __name__ == '__main__':    main()

url路径：下图可知：第一页offset = 0，第二页offset=10

respnse查看内容：Network 选项->筛选Doc

返回：

如果报了403状态码：

请求是加上headers

headers = {'User-Agent':'Mozilla/5.0(Macintosh;Intel Mac OS X 10_11_4)AppleWebKit/537.36(KHTML,like Gecko)Chrome/52.0.2743.116 Safari/537.36'}#提取单页内容，用try，except方便找bugdef get_one_page(url):    try:                response = requests.get(url, headers=headers)#传入headers参数        if response.status_code == 200:            return response.text        return response.status_code    except RequestException:        return None

2 正则表达式分析

根据HTML代码分析得到电影名称,主演,上映时间,评分,图片链接等信息。

HTML的结构：

红色箭头是需要提取的信息，正则表达式如下：

def parse_one_page(html):    # 生成一个正则表达式对象    pattern = re.compile('.*?board-index.*?>(\d+).*?data-src="(.*?)".*?name">(.*?).*?star">(.*?).*?releasetime">(.*?)'                         + '.*?integer">(.*?).*?fraction">(.*?).*?', re.S)    items = re.findall(pattern,html)        # items是一个list,提取信息成字典形式    for item in items:        yield { # 构造一个字典            'index': item[0],            'image':item[1],            'title':item[2],            'actor':item[3].strip()[3:],#做切片，去掉“主演：“这3个字符            'time':item[4].strip()[5:],            'score':item[5]+item[6] #将小数点前后的数字拼接起来        }    return items    def main():    url = "https://www.maoyan.com/board/4"    html = get_one_page(url)    for item in parse_one_page(html):        print(item)

效果如下：

3 保存至文件

def write_to_file(content):    with open('result.txt','a',encoding='utf-8') as f:        f.write(json.dumps(content, ensure_ascii=False) + '\n')  # 不允许写入ascii码        f.close()        def main():    url = "https://www.maoyan.com/board/4"    html = get_one_page(url)    for item in parse_one_page(html):        print(item)        write_to_file(item)

效果如下：

4 开启循环及多线程

方式一：

def main(offset):    url = "https://www.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)

方式二：

from multiprocessing import Poolif __name__ == '__main__':    pool = Pool() #创建一个进程池    pool.map(main,[i*10 for i in range(10)])

4 整体代码

import requestsfrom requests.exceptions import RequestExceptionimport reimport jsonfrom multiprocessing import Poolheaders = {    'User-Agent': 'Mozilla/5.0(Macintosh;Intel Mac OS X 10_11_4)AppleWebKit/537.36(KHTML,like Gecko)Chrome/52.0.2743.116 Safari/537.36'}# 提取单页内容，用try，except方便找bugdef get_one_page(url):    try:        response = requests.get(url, headers=headers)  # 传入headers参数        if response.status_code == 200:            return response.text        return response.status_code    except RequestException:  # 捕获这个类型的异常        return Nonedef parse_one_page(html):  # 定义一个函数用来解析html代码    # 生成一个正则表达式对象    pattern = re.compile('.*?board-index.*?>(\d+).*?data-src="(.*?)".*?name">(.*?).*?star">(.*?).*?releasetime">(.*?)'                         + '.*?integer">(.*?).*?fraction">(.*?).*?', re.S)    items = re.findall(pattern, html)    # items是一个list,其中的每个内容都是一个元组    # 将杂乱的信息提取并格式化，变成一个字典形式    for item in items:        yield {  # 构造一个字典            'index': item[0],            # 'image': item[1],            'title': item[2],            'actor': item[3].strip()[3:],  # 做一个切片，去掉“主演：”这3个字符            'time': item[4].strip()[5:],  # 做一个切片，去掉“上映时间：”这5个字符            'score': item[5] + item[6]  # 将小数点前后的数字拼接起来        }def write_to_file(content):    with open('result.txt', 'a', encoding='utf-8') as f:        # a表示模式是“追加”；采用utf-8编码可以正常写入汉字        f.write(json.dumps(content, ensure_ascii=False) + '\n')  # 不允许写入ascii码        # content是一个字典，我们需要转换成字符串形式，注意导入json库        f.close()def main(offset):    url = 'https://maoyan.com/board/4?offset=' + str(offset)  # 把offset参数以字符串形式添加到url中    html = get_one_page(url)    for item in parse_one_page(html):  # item是一个生成器        print(item)        write_to_file(item)if __name__ == '__main__':    pool = Pool()  # 创建一个进程池    pool.map(main, [i * 10 for i in range(10)])  # map方法创建进程（不同参数的main），并放到进程池中