190620 - 爬虫学习日志(2)

最新推荐文章于 2022-10-20 09:21:56 发布

原创最新推荐文章于 2022-10-20 09:21:56 发布 · 209 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#Python #爬虫

Python学习同时被 2 个专栏收录

10 篇文章

订阅专栏

爬虫

5 篇文章

订阅专栏

作者看了崔庆才老师用Requests+正则表达式爬取猫眼电影的实战，打算边实战边学爬虫。总结了不熟悉的正则表达式、写文件、进程池等内容，还介绍了爬虫抓取流程，包括请求网页、提取信息、写入文件，并准备贴出跟着敲的代码。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

今天看了崔庆才老师的实战：Requests+正则表达式爬取猫眼电影。

我还没有看爬虫基础，想着边实战边学，因此总结下我不熟悉的地方：

1、正则表达式

2、写文件

3、进程池

这个爬虫的抓取流程是：

Step 1：用request请求获得网页内容；

Step 2：用正则表达式提取需要的信息；

Step 3：把提取的信息写入文件。

下面贴自己跟着敲的代码：

import requests
import json
from requests.exceptions import RequestException
import re
from multiprocessing import Pool

def get_one_page(url):
    try:                                       #捕获异常
        response = requests.get(url)             #请求网页
        if response.status_code == 200:                 # 判断请求结果
            return response.text                 #text和content有什么区别？
        return None
    except RequestException:
        return None


def parse_one_page(html):
    #用正则表达式匹配需要的信息
    pattern = re.compile('<dd>.*?board-index.*?>(\d*)</i>.*?data-src="(.*?)".*?name"><a.*?>(.*?)</a>.*?star">'
                         + '(.*?)</p>.*?releasetime">(.*?)</p>'
                         + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i></p>.*?</dd>', re.S)
    items = re.findall(pattern, html)
    #把匹配结果用字典格式化
    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]
        }

#写到文件里
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()


def main(offset):  #把网页里的offset当成参数传过来：https://maoyan.com/board/4?offset=10
    url = 'https://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)
    pool = Pool()   #声明进程池
    # #用map方法，把数组中每个元素拿出来当成函数参数，创建一个个进程放到进程池里
    pool.map(main, [i*10 for i in range(10)])