多线程使用正则抓取啊猫眼Top100

最新推荐文章于 2021-07-03 14:59:09 发布

汤愈韬

最新推荐文章于 2021-07-03 14:59:09 发布

阅读量150

点赞数 1

CC 4.0 BY-SA版权

分类专栏：分布式爬虫正则文章标签：正则

本文链接：https://blog.csdn.net/qq_38200548/article/details/100111965

分布式爬虫同时被 2 个专栏收录

8 篇文章

订阅专栏

正则

2 篇文章

订阅专栏

本文介绍了一个使用Python和requests库实现的猫眼电影榜单爬虫项目，通过解析网页源代码，抓取并解析榜单上的电影信息，包括排名、图片、标题、演员、上映时间及评分，并利用正则表达式和多进程进行高效数据抓取，最后将结果存储到本地文件。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import requests
from requests.exceptions import RequestException
import re
import json
from multiprocessing import Pool


# 请求单页
def get_one_page(url):
    try:
        response = requests.get(url)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        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)
    # print(items)
    for item in items:
        yield {  # 将方法变成一个生成器
            '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):
    # 'a' 代表往后追加
    with open('result.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False) + '\n')  # 将字典类型转换为字符串形式存储
        f.close()

def main(offset):
    url = 'https://maoyan.com/board/4?offset=' + str(offset)
    html = get_one_page(url)
    print(html)
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)



if __name__=='__main__':
    # 构造线程池
    pool = Pool()
    pool.map(main, [i*10 for i in range(11)])