爬取猫眼电影Top100
最近学习爬虫
环境
- Python3.6
- requests
- re
目标网站
- 猫眼电影top100榜单
网站分析
通过观察，我们知道，每一部电影信息都包含在一个dd标签中。接下来就是根据这个dd标签�里面包含的信息来解析了。
电影名
<p class="name">标签中
主演
<p class="star">标签中
上映时间
<p class="releasetime">标签中
评分
<p class="score">标签中
源代码
import re
import requests
from urllib3.exceptions import RequestError
import json
from multiprocessing import Pool
def get_one_page(url):
try:
# 加入user-agent �反 反爬
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.79 Safari/537.36'
}
response = requests.get(url, headers=headers)
if response.status_code == 200:
return response.text
return None
except RequestError:
return None
def parse_one_page(html):
pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'
+ '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
+ '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)
items = re.findall(pattern, html)
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]
}
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):
url = "http://maoyan.com/board/4?offset=" + str(offset)
html = get_one_page(url)
if html:
for item in parse_one_page(html):
write_to_file(item)
print(item)
if __name__ == '__main__':
pool = Pool()
pool.map(main, [i * 10 for i in range(0, 10)])
