爬取貓眼電影Top100
最近學(xué)習(xí)爬蟲
環(huán)境
- Python3.6
- requests
- re
目標(biāo)網(wǎng)站
- 貓眼電影top100榜單
網(wǎng)站分析
通過(guò)觀察爽航，我們知道等曼，每一部電影信息都包含在一個(gè)dd標(biāo)簽中愉择。接下來(lái)就是根據(jù)這個(gè)dd標(biāo)簽?里面包含的信息來(lái)解析了。
電影名
<p class="name">標(biāo)簽中
主演
<p class="star">標(biāo)簽中
上映時(shí)間
<p class="releasetime">標(biāo)簽中
評(píng)分
<p class="score">標(biāo)簽中
源代碼
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)])
