點擊上方“CSDN”，選擇“置頂公眾號”

關鍵時刻，第一時間送達！

今天，手把手教你入門 Python 爬蟲，爬取貓眼電影 TOP100 榜信息。

作者 | 丁彥軍

本文經授權轉自「程序人生」

對于 Python 初學者來說，爬蟲技能是應該是最好入門，也是最能夠有讓自己有成就感的，今天，練習 Python 的手把手系列，手把手教你入門 Python 爬蟲，爬取貓眼電影 TOP100 榜信息，將涉及到基礎爬蟲架構中的 HTML 下載器、HTML 解析器、數據存儲器三大模塊：

HTML 下載器：利用 requests 模塊下載 HTML 網頁；HTML 解析器：利用 re 正則表達式解析出有效數據數據存儲器：將有效數據通過文件或者數據庫的形式存儲起來一、構造 HTML 下載器

import requestsfrom requests.exceptions import RequestExceptionheaders = {'User-Agent':'Mozilla/5.0 '}def get_one_page(url):try: res = requests.get(url,headers = headers) if res.status_code == 200: return res.text return None except RequestException: return None

二、構造 HTML 解析器

def parse_one_page(html):pattern = re.compile('

.*?board-index.*?>(\d+).*?data-src="(.*?)".*?name">(.*?).*?star">(.*?).*?releasetime">(.*?)' +'.*?integer">(.*?).*?fraction">(.*?).*?',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] }

注意事項：

在函數中本來該 return 的地方用 yield，如果用 return，在第一輪循環就會跳出，結果文件只會有一部電影。如果用 yield，函數返回的就是一個生成器，而生成器作為一種特殊的迭代器，可以用 for——in 方法，一次一次的把 yield 拿出來；re.findall(pattern,string[,flags])：搜索整個 string，以列表的形式返回能匹配的全部子串，其中參數是匹配模式，如 re.S 表示點任意匹配模式，改變“.”的行為。三、構造數據存儲器

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()

注意事項：

為什么 ensure_ascii=False？原因是 json 默認是以 ASCII 來解析 code 的，由于中文不在 ASCII 編碼當中，因此就不讓默認 ASCII 生效；要寫入特定編碼的文本文件，請給 open()函數傳入 encoding 參數，將字符串自動轉換成指定編碼。細心的童鞋會發現，以'w'模式寫入文件時，如果文件已存在，會直接覆蓋(相當于刪掉后新寫入一個文件)。如果我們希望追加到文件末尾怎么辦？可以傳入'a'以追加(append)模式寫入。接下來就是構造主函數，初始化各個模塊，傳入入口 URL，按照運行流程執行上面三大模塊：

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__': p = Pool() p.map(main,[i*10 for i in range(10)])

注意事項：

為了提高速度，我們引入 Pool 模塊，用多線程并發抓取執行代碼后，結果如下：

本文中介紹了基礎爬蟲架構主要的的三個模塊(HTML 下載器、HTML 解析器、數據存儲器)，無論大型還是小型爬蟲都不會脫離這三個模塊，也希望大家通過這個小小的練習對整個爬蟲有個清晰的認識，歡迎大家一起談論學習交流。

————— 推薦閱讀 —————

舉報/反饋

總結

以上是生活随笔為你收集整理的猫眼html源码,50 行代码教你爬取猫眼电影 TOP100 榜所有信息的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。