使用requests爬取猫眼电影TOP100榜单
Requests是一个很方便的python网络编程库，用官方的话是“非转基因，可以安全食用”。里面封装了很多的方法，避免了urllib/urllib2的繁琐。
这一节使用requests库对猫眼电影的TOP100榜进行抓取。
1 获得页面。
首先确定要爬取的url为http://maoyan.com/board/4，通过requests模块，打印出页面的信息
def get_a_page(url): try: response = requests.get(url) if response.status_code == 200:#状态码，200表示请求成功 return response.text #返回页面信息 return None except RequestException : return None
上面是代码及注释，为了防止再抓取时候出现异常，requests的异常有这些,其中RequestException是异常的父类，故我们直接导入
from requests.exceptions import RequestException
作为异常处理。这样就得到了该url地址的网页内容。
2 分析页面
首先看一些页面的大致情况，其中【霸王别姬】就是我们要抓取的栏目，栏目下面又分了一些小内容，如下面黑色箭头所示。
先看一下页面大致情况，右键【审查元素】
可以看出<dd>标签包裹着每一个电影的信息，用正则表达式找到想要的元素。
reg = re.compile(\'<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name">\' + \'<a.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>\' + \'.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>\',re.S)
依次捕获的是 排名，地址，名称，主演，时间，整数评分，小数评分。这里我用字典的形式存储，返回一个生成器。
items = reg.findall(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] }
3 写入文件
抓取到电影列表，剩下就是将电影列表写入文件中，由于返回的是一个字典对象，可以使用pickle方法进行序列化，但为了方便以后的查阅，这里用文本方式保存
def write_to_file(contents): c = "" with codecs.open("result.txt",\'a\',encoding="utf-8",errors="ignore") as f: for key,value in contents.items(): c += key + ":" + value +"\t" f.write(c + "\n")
返回的是一个字典格式，可是借助json方法进行序列化
def write_to_file(contents): with codecs.open("result.txt",\'a\',encoding="utf-8",errors="ignore") as f: f.write(json.dumps(contents,ensure_ascii=False) + \'\n\')
其中的dumps方法是将obj序列化为JSON格式的字符串，这里面要注意的是编码问题。最后就是抓取整个榜单了，可以加入多线程策略，最后的完整代码
# -*- coding: utf-8 -*- import requests,re import codecs from requests.exceptions import RequestException from multiprocessing import Pool import json def get_a_page(url): try: response = requests.get(url) if response.status_code == 200: return response.text return None except RequestException : return None def parse_a_page(html): #排名，地址，名称，主演，时间，评分1，评分2 reg = re.compile(\'<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name">\' + \'<a.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>\' + \'.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>\',re.S) items = reg.findall(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(contents):#这里面两个方法。一种是用json，一种是转为字符串 c = "" with codecs.open("result.txt",\'a\',encoding="utf-8",errors="ignore") as f: #for key,value in contents.items(): #c += key + ":" + value +"\t" f.write(json.dumps(contents,ensure_ascii=False) + \'\n\') #print c #f.write(c + "\n") def main(offset): url = "http://maoyan.com/board/4?offset=%s" %offset print url html = get_a_page(url) for item in parse_a_page(html): write_to_file(item) if __name__ == "__main__": \'\'\' for i in range(10): main(i*10) \'\'\' pool = Pool()#多线程 pool.map(main,[i*10 for i in range(10)])
