记一次简单爬虫(豆瓣/dytt)

磕磕绊绊学python一个月，这次到正则表达式终于能写点有趣的东西，在此作个记录：

—————————————————————————————————————————————————

1.爬取豆瓣电影榜前250名单

运行环境：

pycharm-professional-2018.2.4

3.7.0 (v3.7.0:1bf9cc5093, Jun 27 2018, 04:59:51) [MSC v.1914 64 bit (AMD64)]

成品效果：

相关代码：

 from urllib.request import urlopen
 import re
 # import ssl  # 若有数字签名问题可用
 # ssl._create_default_https_context = ssl._create_unverified_context

 # 写正则规则
 obj = re.compile(r'<div class="item">.*?<span class="title">(?P<name>.*?)</span>.*?导演:(?P<daoyan>.*?)&nbsp;.*?'
                  r'主演:(?P<zhuyan>.*?)<br>\n                            (?P<shijian>.*?)&nbsp;/&nbsp;(?P<diqu>.*?)&nbsp;'
                  r'/&nbsp;(?P<leixing>.*?)\n.*?<span class="rating_num" property="v:average">(?P<fen>.*?)</span>.*?<span>'
                  r'(?P<renshu>.*?)评价</span>.*?<span class="inq">(?P<jianping>.*?)</span>',re.S)  # re.S 干掉换行

 # 转码 获取内容
 def getContent(url):
     content = urlopen(url).read().decode("utf-8")
     return content

 # 匹配页面内容 返回一个迭代器
 def parseContent(content):
     iiter = obj.finditer(content)
     for el in iiter:
         yield {
             "name":el.group("name"),
             "daoyan":el.group("daoyan"),
             "zhuyan":el.group("zhuyan"),
             "shijian":el.group("shijian"),
             "diqu":el.group("diqu"),
             "leixing":el.group("leixing"),
             "fen":el.group("fen"),
             "renshu":el.group("renshu"),
             "jianping":el.group("jianping")
         }

 for i in range(10):
     url = "https://movie.douban.com/top250?start=%s&filter=" % (i*25)  # 循环页面10
     print(url)
     g = parseContent(getContent(url))  # 匹配获取的内容返回给g
     f = open("douban_movie.txt",mode="a",encoding="utf-8")
     for el in g:
         f.write(str(el)+"\n")  # 写入到txt 注意加上换行

     # f.write("==============================================")  # 测试分页
     f.close()

2.爬取某站最新电影和下载地址

运行环境：

pycharm-professional-2018.2.4

3.7.0 (v3.7.0:1bf9cc5093, Jun 27 2018, 04:59:51) [MSC v.1914 64 bit (AMD64)]

成品效果：

相关代码：

 from urllib.request import urlopen
 import json
 import re

 # 获取主页面内容
 url = "https://www.dytt8.net/"
 content = urlopen(url).read().decode("gbk")
 # print(content)

 # 正则
 obj = re.compile(r'.*?最新电影下载</a>]<a href=\'(?P<url1>.*?)\'>', re.S)
 obj1 = re.compile(r'.*?<div id="Zoom">.*?<br />◎片　　名(?P<name>.*?)<br />.*?bgcolor="#fdfddf"><a href="(?P<download>.*?)">', re.S)

 def get_content(content):
     res = obj.finditer(content)
     f = open('movie_dytt.json', mode='w', encoding='utf-8')
     for el in res:
         res = el.group("url1")
         res = url + res  # 拼接子页面网址

         content1 = urlopen(res).read().decode("gbk")  # 获取子页面内容
         lst = obj1.findall(content1)  # 匹配obj1返回一个列表
         # print(lst)  # 元组
         name = lst[0][0]
         download = lst[0][1]
         s = json.dumps({"name":name,"download":download},ensure_ascii=False)
         f.write(s+"\n")
     f.flush()
     f.close()

 get_content(content)  # 调用函数 执行