requests+正则表达式爬取猫眼电影TOP100

一、目标站点分析

首先打开浏览器（谷歌）、输入maoyan.com进入猫眼电影的官网、找到榜单下的TOP100榜、右键单击打开检查或者直接按F12打开、点击左上角鼠标图标，点击第一名霸王别姬，咱们发现每一个<dd>标签都包含一个视频的信息（img（图片），每一个<p>标签分别包含视频名class=“name”、主演class=“star”、上映时间class=“releasetime”和评分（评分是有两个<i>标签拼接起来的，class分别为integer和fraction），总体结构比较清晰

二、流程框架

1. 抓取单页内容：利用requests请求目标站点，获得单个网页HTML代码，返回结果
2. 正则表达式分析：根据HTML代码分析获得电影的名称、主演、上映时间、评分、图片连接等信息
3. 保存至文件：经过文件的形式将结果保存，每一部电影一个结果一行json字符串
4. 开启循环及多线程：对多页内容遍历，开启多线程提升抓取速度

三、爬虫实战：

打开pycharm，点击左上角File—NewProject，新建名为maoyanTOP100

在maoyanTOP100目录下新建一个spider.py文件，进入spider.py

详细步骤解析已注释，源代码以下：

import requests#d导入requests模块
from multiprocessing import Pool#进程池
from requests.exceptions import RequestException#用于异常处理
import json
import re#导入正则表达式

headers={
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.75 Safari/537.36'
}
def get_one_page(url):#请求单页内容的方法
    try:
        response = requests.get(url,headers=headers)#用requests.get请求url
        if response.status_code == 200:#判断，若是请求到的状态码==200（请求成功）
            return response.text#返回网页内容
        return None#若是是其余状态码返回None
    except RequestException:
        return None

def parse_one_page(html):#解析单页内容
    pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?src="(.*?)".*?name"><a'+'.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                         +'.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>',re.S)#编写正则表达式
    items = re.findall(pattern,html)#应用已编好的正则表达式
    for item in items:#遍历
        yield {
            '排名':item[0],
            '图片地址': item[1],
            '标题': item[2],
            '主演': item[3].strip()[3:],
            '上映时间': item[4].strip()[5:],
            '评分': item[5]+item[6]
        }

def write_to_file(content):#将爬取结果保存到resuli.txt
    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)
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)

if __name__=="__main__":
    pool = Pool()#构造进程池
    pool.map(main,[i*10 for i in range(10)])#爬取多页