Python3爬虫简易实例1（Requests正则）

抓取某电影网TOP100

1.分析源码，以便于写正则表达式

这里是网页关键部分的源码：

然后针对它写正则表达式：

pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a'                     + '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'                     + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)

然后完善：

import requestsfrom requests.exceptions import RequestExceptionimport reimport jsondef get_one_page(url, headers):    try:        response = requests.get(url, headers=headers)        if response.status_code == 200:            return response.text        else:            return None    except RequestException:        return Nonedef 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:        yield {            "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):    with open("result.txt", "a", encoding="utf-8") as f:        f.write(json.dumps(content, ensure_ascii=False) + "\n")def main(offset):    headers = {        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36"    }    url = "http://maoyan.com/board/4?offset=" + str(offset)    html = get_one_page(url, headers)    for item in parse_one_page(html):        write_to_file(item)if __name__ == '__main__':    for i in range(10):        main(i*10)

必须模拟User-Agent的信息，Python默认的信息是python，必须把它改成浏览器的信息，否则会出错。

写入异常处理防止出错。

存取下来的文本内容：

还可以完善一下它，加入进程池，加速爬取。

from multiprocessing import Pool'''.................'''
if __name__ == '__main__':    pool = Pool()    pool.map(main, [i*10 for i in range(10)])