Python爬虫-爬取猫眼电影Top100榜单

猫眼电影的网站html组成十分简单。

地址就是很简单的offset=x 这个x参数更改即可翻页。
下面的信息使用正则表达式很快就可以得出结果。
直接放代码：

import json
import re

import requests
from requests.exceptions import RequestException

#获取一个url下的html文件
def get_one_page(url):
    try:
        res = requests.get(url)
        if res.status_code == 200:
            print('请求成功')
            return res.text
        print('请求失败')
        return None
    except RequestException:
        return None

#解析html文件   其中使用了正则匹配
def parse_one_page(html):
    #如果不加re.S(任意匹配)  .就不会匹配换行符!
    pattern = re.compile('
.*?board-index.*?>(\d+).*?data-src="(.*?)" alt="(.*?)" class="board-img" />.*?star">(.*?)
.*?releasetime">(.*?)
.*?integer">(.*?).*?fraction">(.*?).*?
', re.S)
    items = re.findall(pattern, html)
    for item in items:  #构造一个生成器可以使用 for遍历
        #生成一个字典
        yield{
            'index' : item[0],
            'image': item[1],
            'title': item[2],
            #strip()去除空格和\n  切片去除  主演:
            'actor': item[3].strip()[3:],
            'time' : item[4].strip()[5:],
            'score' : item[5]+item[6]
        }

#写入文件 使用json加载字典
def write_to_file(content):
    #加上encoding='utf-8'  和  ensure_ascii=False显示汉字
    with open('result.txt', 'a', encoding='utf-8') as f:
        #字典转换成 字符串
        f.write(json.dumps(content, ensure_ascii=False) + '\n')
        f.close()

#主函数运行
def main():
    html = get_one_page('http://maoyan.com/board/4?')
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)

if __name__ == '__main__':
    main()

单页的url信息获取之后，更改为多进程方式获取全部！

def main(offset):
    url = 'http://maoyan.com/board/4?offset={}'.format(offset)
    html = get_one_page(url)
    # total = []
    for item in parse_one_page(html):
        print(item)
        # total.extend(item)
        write_to_file(item)
    # save_to_pandas(total)


if __name__ == '__main__':
    import time
    time1 = time.time()

    pool = Pool()
    pool.map(main, [i*10 for i in range(10)])

    # for i in range(10):   单进程
    #     main(i*10)

    time2 = time.time()
    print(time2-time1)

测试单进程2.3s，多进程只需要1s。