用Python爬取猫眼上的top100评分电影

代码如下：

# 注意encoding = ‘utf-8‘和ensure_ascii = False，不写的话不能输出汉字
import requests
from requests.exceptions import RequestException
import re
import json
#from multiprocessing import Pool

# 测试了下 这里需要自己添加头部 否则得不到网页
headers = {
    ‘User-Agent‘:‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36‘
}
# 得到html代码
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

# 解析html代码
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)
    for item in items:
        # 将元组形式变为字典
        yield {
            ‘【排名】‘: item[0],
            ‘【图片】‘: item[1],
            ‘【标题】‘: item[2],
            ‘【主演】‘: item[3].strip()[3:],
            ‘【上映时间】‘: item[4].strip()[5:],
            ‘【评分】‘: item[5] + item[6]
        }

# 写入文件,写入的是一个json格式的数据
def write_to_file(content):
    with open(‘top100.csv‘, ‘a‘, encoding = ‘utf-8‘) as f:
        f.write(json.dumps(content, ensure_ascii = False) + ‘\n‘)
        f.close()

# 主函数
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)

# 多进程（测试有bug）
# if __name__ == ‘__main__‘:
#     pool = Pool()
#     pool.map(main, [i * 10 for i in range(10)])
#     pool.join()
#     pool.close()

　　运行结果如下：

在top100.csv文件中的数据如下：

因为没有下载模块所以这里只是显示首页图片的链接，如果想下载首页图片还需再加上下载模块

原文地址：https://www.cnblogs.com/wuyepeng/p/10101180.html