抓取猫眼热映口碑榜

看了两三个爬虫程序，就自己写了一个简单的爬虫程序，爬取的是：猫眼电影－榜单－热映口碑榜11月6号的数据

from urllib import request
import re

def getHtml(url, ua_agent=‘Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko‘):
    headers = {"User-Agent":ua_agent}
    req = request.Request(url, headers=headers)
    response = request.urlopen(req)
    html = response.read().decode(‘utf-8‘)
    return html    

def movie_all(html):
    pattern = re.compile(‘<p class="name"[\s\S]*?title="([\s\S]*?)"[\s\S]*?<p class="star">([\s\S]*?)</p>[\s\S]*?<p class="releasetime">([\s\S]*?)</p>‘)
    items = re.findall(pattern, html)
    return items    

def write_to_file(text):
    with open("maoyanTop10.txt", ‘a‘) as f:
        f.write(str(text)+‘\n‘)

if __name__ == "__main__":
    url = "https://maoyan.com/board/7"
    items = movie_all(getHtml(url))
    for item in items:
        write_to_file(item[0].strip()+"||"+item[1].strip()+"||"+item[2].strip())
  

效果：

小知识点：１．用正则表达式匹配时，有的地方看着没空格，实际上有空字符串，需要用万能表达式([\s\S]*?)顶替，例如上一个p标记的</p>到下一个p标记的<p>中间就需要要万能表达式。

２．在写文件时，如果在循环中写文件要以“a”(追加)的方式打开文件，如果以“w”(写入)打开，只会看到写入了最后一次循环的数据，因为“w”方式会清掉之前的数据再写入。

原文地址：https://www.cnblogs.com/hooo-1102/p/11806005.html