requests + 正则表达式 获取 ‘猫眼电影top100’。

使用 进程池Pool 提高爬取数据的速度。

 1 # !/usr/bin/python
 2 # -*- coding:utf-8 -*-
 3 import requests
 4 from requests.exceptions import RequestException
 5 import re
 6 import json
 7 from multiprocessing import Pool,Lock
 8
 9
10 # 获取单页数据信息；
11 def get_one_page(url, headers):
12     try:
13         response = requests.get(url, headers=headers)
14         if response.status_code == 200:
15             return response.text
16         return None
17     except RequestException:
18         return None
19
20 # 使用正则表达式解析数据；
21 def parse_one_page(html):
22     pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a.*?>'
23                          +'(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>.*?integer">'
24                          +'(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)
25     items = re.findall(pattern, html)
26     # 将获取的数据以字典形式返回；
27     for item in items:
28         yield {
29             'index': item[0],
30             'image': item[1],
31             'title': item[2],
32             'actor': item[3].strip()[3:],
33             'time': item[4].strip()[5:],
34             'score': item[5]+item[6]
35         }
36
37 # 将字典转换为字符串保存，
38 def write_to_file(content):
39     lock.acquire()
40     with open('result.txt', 'a', encoding="utf-8") as f:
41         f.write(json.dumps(content, ensure_ascii=False) + "\n")
42         f.close()
43     lock.release()
44
45 def init(l):
46     global lock
47     lock = l
48
49 # 传入爬取链接，运行函数；
50 def main(offset):
51     url = "https://maoyan.com/board/4?offset=" + str(offset)
52     headers = {
53         "User-Agent": "Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36"
54     }
55     html = get_one_page(url, headers=headers)
56     for item in parse_one_page(html):
57         write_to_file(item)
58
59 if __name__ == '__main__':
60     # for i in range(10):
61     #     main(i*10)
62     # 使用 进程池 提高爬取速度；
63     lock = Lock()
64     Pool = Pool(initializer=init, initargs=(lock,))
65     Pool.map(main, [i*10 for i in range(10)])

python限定了多进程要调用的函数不能是类方法，需把多进程调用的函数放到类外面，或者变成静态函数。

但静态函数不能被该类的方法调用（ self.ProcessWorker  形式），需在外部调用：如 mc = MyClass(), mc.ProcessWorker 或 MyClass().ProcessWorker 。

python 多进程编程中进程池锁共享问题参考博客：https://blog.csdn.net/qq_27292549/article/details/78929296

# 将数组中的每个元素提取出来当作函数的参数，创建一个个进程，放进进程池中；
# 第一个参数是函数，第二个参数是迭代器，将迭代器中的数字作为参数依次传入函数中