您的位置:首页 > 运维架构

笔记-多进程抓取猫眼TOP100

2018-03-20 16:01 435 查看
今天为大家介绍使用requests模块和正则表达式配合抓取#coding:utf-8
from requests.exceptions import RequestException
import requests
import re
import json
from multiprocessing import Pool
def get_one_page(url):
try:
headers={
'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537.36'
}
response=requests.get(url,headers=headers)
if response.status_code==200:
response.encoding=response.apparent_encoding
return response.text
return None
except RequestException:
return None

def parse_one_page(html):
pattern=re.compile('<dd>.*?board-index.*?">(\d+)</i>.*?data-src="(.*?)".*?name"><a'
+'.*?data-val.*?>(.*?)</a>.*?star">(.*?)</p>'
+'.*?releasetime">(.*?)</p>.*?integer">(.*?)</i>.*?fraction">(.*?)</i></p>',re.S)
items=re.findall(pattern,html)
for item in items:
yield{生成一个生成器,装入字典
'index':item[0],
'image':item[1],
'title':item[2],
'actor':item[3].strip()[3:],
'time':item[4].strip()[5:],
'score':item[5]+item[6]
}
print(items)

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(url):
url='http://maoyan.com/board/4?offset=%s'%url
html=get_one_page(url)
for item in parse_one_page(html):
write_to_file(item)

if __name__=='__main__':
pool=Pool()实例化
pool.map(main,[i*10 for i in range(10)])#开启进程
以上就是抓取的全部代码了查看下结果文件

内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: