學習目的: 通過一個一個簡單的爬蟲應用,初窺門徑。 正式步驟 Step1:流程框架 Step2:實際步驟+分析 1. 在pycharm中新建一個Python項目,新建一個文件spider.py 2.運行代碼: 運行結果不添加了,此外,最後註釋掉的代碼,功能是非多線程的 學習總結: 爬蟲涉及的Pyth ...
學習目的:
通過一個一個簡單的爬蟲應用,初窺門徑。
正式步驟
Step1:流程框架
- 抓取單頁內容:利用requests請求目標站點,得到單個頁面的html代碼,返回結果;
- 正則表達式分析:根據html頁面代碼分析得到貓眼電影的名稱、主演、上映時間、評分、圖片信息等;
- 保存至文件:通過文件的形式將結果保存,每一部電影一個結果一行json字元串;
- 開啟迴圈及多線程:對頁面內容進行遍歷,開啟多線程提高抓取效率
Step2:實際步驟+分析
1. 在pycharm中新建一個Python項目,新建一個文件spider.py
2.運行代碼:
# -*- coding:utf-8 -*- import requests import re import json from requests.exceptions import RequestException from multiprocessing import Pool def get_page_html(url): #設置headers是貓眼加了反爬機制 headers = { 'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36' } try: response = requests.get(url,headers=headers) if response.status_code == 200: return response.text return None #如果頁面狀態碼不為200,則函數終止 except RequestException: return None #如果測試代碼異常,則無返回,函數結束 def parse_page_html(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], 'name':item[2], 'actor':item[3].strip()[3:], 'date':item[4].strip()[5:], 'score':item[5]+item[6] } def save_file(content): with open("detail.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_page_html(url) for detail in parse_page_html(html): save_file(detail) if __name__ == '__main__': # for offset in range(10): # main(offset*10) pool = Pool() pool.map(main,[i*10 for i in range(10)])
運行結果不添加了,此外,最後註釋掉的代碼,功能是非多線程的
學習總結:
爬蟲涉及的Python基礎應用非常多,還是那個8/2原則,先掌握20%最常用的,最重要的,再慢慢熟悉80%需要學會用即可的功能