python正则表达式爬取猫眼电影top100
用正则表达式爬取猫眼电影top100，具体内容如下
#!/usr/bin/python
# -*- coding: utf-8 -*-
import json # 快速导入此模块：鼠标先点到要导入的函数处，再Alt + Enter进行选择
from multiprocessing.pool import Pool #引入进程池
import requests
import re
import csv
from requests.exceptions import RequestException #引入异常
## 正确保存，无丢失
# 请求一个页面返回响应内容
#以《霸王别姬》为列，右击—查看元素—会显示一个网页信息
def get_one_page(url,offset):
try:
response=requests.get(url=url,params={"offset":offset})
if response.status_code==200: #由状态码判断返回结果，200表示请求成功，300,500表出错
return response.text #返回网页内容
else:return None
except RequestException as e:
return None
# 解析一个页面
def parse_one_page(html):
pattern = ('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'
+ '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
+ '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>')
#写个正则，匹配所有结果。这里由上面的网页相应内容写<dd>开头，.*?匹配任意字符穿 board-index匹配标识符,类名，
# \d 表数字即排名，'+'表示匹配至少一个可多个数字，</i>右边结束符
#“?”，问号表示 非贪婪匹配，就是一旦匹配到就不在继续往后面尝试。
#而\(和\)分别表示匹配一个“(”和“)”
# re.S匹配多行
regex = re.compile(pattern,re.S) #一个方法，通过一个正则表达式字符串编译生成一个正则表达式对象，re.S 匹配任意字符
items = regex.findall(html) #以列表形式返回全部能匹配的子串. eg: re.findall(pattern, string[, flags])
for item in items: #将结果以字典形式返回，键值对
yield{ #把这个方法变成一个生成器
'index':item[0],
'image':item[1],
'title':item[2],
'actor':item[3].strip()[3:], #用strip（）去掉换行符，不想要 主演： 这三个字就用[3:]组成一个切片，name就可以将前三个字符串去掉
'time':get_release_time(item[4].strip()[5:]), #去掉前五个字符
'area':get_release_area(item[4].strip()[5:]),
'score':item[5]+item[6] #将评分整数部分和小数部分结合起来
}
'''''
#保存到txt，会发现中文汉字变成了unic的编码,加上encoding='utf-8'，ensure_ascii=False，则汉字可正常输出
def write_to_file(content):
with open('result.txt','a',encoding='utf-8') as f: # 参数 a ，表示直接往后追加
f.write(json.dumps(content,ensure_ascii=False) +'\n') #content是一个字典的形式，用json.dumps 把它转换为字符串，再加个换行符
f.close()
#json.dumps :dict 转换为 str
#json.loads: str 转换为 dict
'''
''''''''
# 获取上映时间 <p class="releasetime">上映时间：1993-01-01(中国香港)</p>
def get_release_time(data):
pattern = '^(.*?)(\(|$)'
regex = re.compile(pattern)
w = regex.search(data)
return w.group(1) # group(1)指的是第一个括号里的东西
# 获取上映地区
def get_release_area(data):
pattern = '.*\((.*)\)' #而\(和\)分别表示匹配一个 '(' 和 ')'
regex = re.compile(pattern)
w = regex.search(data)
if w is None:
return'未知'
return w.group(1)
# 获取封面大图,不需要
# def get_large_thumb(url):
# pattern = '(.*?)@.*?'
# regex = re.compile(pattern)
# w = regex.search(url)
# return w.group(1)
# 存储数据
def store_data(item):
with open('movie.csv','a',newline='',encoding='utf-8') as data_csv:
# dialect为打开csv文件的方式，默认是excel，delimiter="\t"参数指写入的时候的分隔符
csv_writer = csv.writer(data_csv)
csv_writer.writerow([item['index'], item['image'], item['title'], item['actor'],item['time'],item['area'],item['score']])
# 参数newline是用来控制文本模式之下，一行的结束字符。可以是None，''，\n，\r，\r\n等。
'''''
也可判断异常，一般没错
try:
csv_writer = csv.writer(data_csv)
csv_writer.writerow([item['index'], item['image'], item['title'], item['actor'],item['time'],item['area'],item['score']])
except Exception as e:
print(e)
print(item)
'''
# 下载封面图
#读方式打开的话，并不会新建；写方式打开的话就会新建。 r只读，w可写，a追加
def download_thumb(title,image):
try:
response = requests.get(image)
# 获取二进制数据
with open('image/'+title+'.jpg', 'wb') as f: #将封面图保存到当前路径下的image文件夹中，图片名称为：电影名.jpg
f.write(response.content)
f.close()
except RequestException as e:
print(e)
pass
# 主调度程序
def main():
# 起始URL
start_url = 'http://maoyan.com/board/4?'
for i in range(0,1000,10):
# 获取响应文本内容
html = get_one_page(url=start_url, offset=i)
if html is None:
print('链接:%s?offset=%s异常'.format(start_url,i))
continue
for item in parse_one_page(html):
# print(item)
store_data(item)
# download_thumb(item['title'],item['image'])
#
if __name__=='__main__':
main()
'''''
if __name__=='__main__':
for i in range(10):
main(i*10)
'''
'''''
if __name__=='__main__':
for i in range(10):
main(i*10)
pool=Pool() #可以提供指定数量的进程供用户调用，如果有一个新的请求被提交到进程池，进程池还没有满，就会创建新的进程来执行请求，如果满了，就先等待
pool.map(main,[i*10 for i in range(10)]) #将数组中的每一个元素拿出来当做函数的参数，然后创建一个个的进程，放到进程池里面去运行；第二个参数是构造一个数组，组成循环
#速度明显变快！1s
'''
保存到数据库
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['number']) #能正确输出 , charset="utf8"
try:
conn = pymysql.connect(host='localhost', user='root', passwd=' ', port=3306,db='test1',charset="utf8",use_unicode = False )
cur = conn.cursor() # 创建一个游标对象
for item in parse_one_page(html):
try:
# sql = "INSERT INTO movies (number,picture,title,actors,time,area,score) VALUES （%s,%s,%s,%s,%s,%s,%s）"
# cur.execute(sql, ( item['number'],item['picture'],item['title'],item['actors'],item['time'],item['area'],item['score']))
sql = "insert into test_movies (number,picture,title,actors,time,area,score) values(%s,%s,%s,%s,%s,%s,%s)"
cur.execute(sql, (item['number'], item['picture'], item['title'], item['actors'], item['time'], item['area'],item['score']))
except pymysql.Error as e:
print(e)
print('- - - - - 数据保存成功 - - - - -')
conn.commit()
cur.close()
conn.close() # 关闭数据
except pymysql.Error as e:
print("Mysql Error %d: %s" % (e.args[0], e.args[1]))
if __name__=='__main__':
# 连接数据库
conn = pymysql.connect(host='localhost', user='root', passwd=' ', port=3306, db='test1', charset="utf8")
cur = conn.cursor() # 创建一个游标对象
cur.execute("DROP TABLE IF EXISTS test_movies") # 如果表存在则删除
# 创建表sql语句
sqlc = """CREATE TABLE test_movies(
number int not null primary key auto_increment,
picture VARCHAR(100) NOT NULL,
title VARCHAR(100) NOT NULL,
actors VARCHAR(200) NOT NULL,
time VARCHAR(100) NOT NULL,
area VARCHAR(100) ,
score VARCHAR(50) NOT NULL
)"""
cur.execute(sqlc) # 执行创建数据表操作
pool=Pool()
pool.map(main,[i*10 for i in range(10)])
您可能感兴趣的文章:使用Python多线程爬虫爬取电影天堂资源基于python实现的抓取腾讯视频所有电影的爬虫编写Python爬虫抓取豆瓣电影TOP100及用户头像的方法python实现去除下载电影和电视剧文件名中的多余字符的方法Python抓取电影天堂电影信息的代码python实现根据用户输入从电影网站获取影片信息的方法使用python实现抓取腾讯视频所有电影的爬虫python使用requests模块实现爬取电影天堂最新电影信息Python爬取APP下载链接的实现方法Python3.6实现根据电影名称（支持电视剧名称），获取下载链接的方法
