使用 Requests 和正则表达式爬取多页数据

最近在整理爬虫的笔记，发现自己以前写的一段爬取猫眼电影TOP100的代码。有趣的是当时的我居然把代码写在了纸上，改改一下还能跑，真佩服当时的自己…

爬取猫眼电影 TOP 100 代码示例

import requests, re, json
from requests.exceptions import RequestException

def get_one_page(url):
    try:
        response = requests.get(url, headers = headers)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None

headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36',
}

def parse_one_page(html):
    pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'
                       + '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                       + '.*?integer">(.*?)</i><i class="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)
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)

if __name__ == '__main__':
    for i in range(10):
        main(i*10)

• 导入了 Requests, Re, Json 这三个库，懒得多打字就另外导入了一个异常处理库
• 写了三个函数，get_one_page 用于获取单页面信息，parse_one_page用正则表达式匹配单页面的数据，最后写一个 main 函数用于获取多页面信息
• 正则中的 .*?用于匹配规则内所有非换行的最长字符

后记

这只是一份入门级的爬虫，就是把数据爬去下来用正则匹配模式后输出并保存为 TXT 文件。实际上还可以导入multiprocessing加入多进程。加入多进程之后把入口函数改成这样：

if __name__ == '__main__':
    pool = Pool()
    pool.map(main, [i*10 for i in range(10)])

参考资料

• Top100榜 - 猫眼电影
• PYTHON 爬虫及其相关库学习笔记

​