Python爬虫学习==>第十章:使用Requests+…
2018-06-18 02:19:40来源:未知 阅读 ()
学习目的:
通过一个一个简单的爬虫应用,初窥门径。
正式步骤
Step1:流程框架
- 抓取单页内容:利用requests请求目标站点,得到单个页面的html代码,返回结果;
- 正则表达式分析:根据html页面代码分析得到猫眼电影的名称、主演、上映时间、评分、图片信息等;
- 保存至文件:通过文件的形式将结果保存,每一部电影一个结果一行json字符串;
- 开启循环及多线程:对页面内容进行遍历,开启多线程提高抓取效率
Step2:实际步骤+分析
1. 在pycharm中新建一个Python项目,新建一个文件spider.py
2.运行代码:
# -*- coding:utf-8 -*- import requests import re import json from requests.exceptions import RequestException from multiprocessing import Pool def get_page_html(url): #设置headers是猫眼加了反爬机制 headers = { 'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36' } try: response = requests.get(url,headers=headers) if response.status_code == 200: return response.text return None #如果页面状态码不为200,则函数终止 except RequestException: return None #如果测试代码异常,则无返回,函数结束 def parse_page_html(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], 'name':item[2], 'actor':item[3].strip()[3:], 'date':item[4].strip()[5:], 'score':item[5]+item[6] } def save_file(content): with open("detail.txt",'a',encoding='utf-8') as f: f.write(json.dumps(content,ensure_ascii=False)+'\n') f.close() def main(offset): url = "http://maoyan.com/board/4?offset=" + str(offset) html = get_page_html(url) for detail in parse_page_html(html): save_file(detail) if __name__ == '__main__': # for offset in range(10): # main(offset*10) pool = Pool() pool.map(main,[i*10 for i in range(10)])
运行结果不添加了,此外,最后注释掉的代码,功能是非多线程的
学习总结:
爬虫涉及的Python基础应用非常多,还是那个8/2原则,先掌握20%最常用的,最重要的,再慢慢熟悉80%需要学会用即可的功能
标签:
版权申明:本站文章部分自网络,如有侵权,请联系:west999com@outlook.com
特别注意:本站所有转载文章言论不代表本站观点,本站所提供的摄影照片,插画,设计作品,如需使用,请与原作者联系,版权归原作者所有
上一篇:Python面向对象——基本继承
下一篇:课程作业——获取全部校园新闻
- python3基础之“术语表(2)” 2019-08-13
- python3 之 字符串编码小结(Unicode、utf-8、gbk、gb2312等 2019-08-13
- Python3安装impala 2019-08-13
- 小白如何入门 Python 爬虫? 2019-08-13
- python_字符串方法 2019-08-13
IDC资讯: 主机资讯 注册资讯 托管资讯 vps资讯 网站建设
网站运营: 建站经验 策划盈利 搜索优化 网站推广 免费资源
网络编程: Asp.Net编程 Asp编程 Php编程 Xml编程 Access Mssql Mysql 其它
服务器技术: Web服务器 Ftp服务器 Mail服务器 Dns服务器 安全防护
软件技巧: 其它软件 Word Excel Powerpoint Ghost Vista QQ空间 QQ FlashGet 迅雷
网页制作: FrontPages Dreamweaver Javascript css photoshop fireworks Flash