requests+正则表达式提取猫眼电影top100

 #requests+正则表达式提取猫眼电影top100
 import requests
 import re
 import json
 from requests.exceptions import RequestException
 from multiprocessing import Pool

 def get_one_page(url):
     headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.75 Safari/537.36 LBBROWSER'}
     try:
         response = requests.get(url,headers = headers)
         if response.status_code == 200:
             return response.text
         else:
             return None
     except RequestException:
         return None

 def parse_one_page(html):
     pattern = re.compile(r'<dd>.*?board-index.*?">(\d+)</i>.*?data-src="(.*?)".*?name"><a.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>',re.S)
     results = re.findall(pattern,html)#这一步生成的其实是由元组组成的列表，列表的每一个元素是元组，元组则有前面正则表达式提取的电影名称，地址，演员名，上映时间，排序，评分等，这个列表怎么用，是一个很重要的问题
     for result in results:
         yield{
             'index':result[0],
             'add':result[1],
             'title':result[2],
             'actor':result[3].strip(),
             'time':result[4].strip(),
             'score':result[5]+result[6]

         }#生成器，返回一个个由键值对组成的字典

 def save_one_page(content):
     with open('D://result.txt','a',encoding='utf-8') as f:#当重新打开的时候，由于文件是gbk编码的，默认用gbk去打开，而此时打开的是unicode，所以无法打开，解决的方法是改变目标文件的编码
         f.write(json.dumps(content,ensure_ascii=False)+'\n')#这里表示用中文写入，即gbk，回到上一步
         '''如果我们要在不同的编程语言之间传递对象，就必须把对象序列化为标准格式，比如xml，但更好的方法是序列化为json，因为，json表现出来就是一个字符串，可以被所有语言读取，
         也可以方便地存储到磁盘或者通过网络传输，json不仅是标准格式，并且比xml还快，而且可以在web页面中读取，非常方便。
         将Python对象序列化为json用json.dumps(obj),意为把对象倾倒进入json
         将json转换成python用json.loads(obj)意为把json对象加载出来'''

 def main():
     for i in range(10):

         url = 'http://maoyan.com/board/4'+'?offset='+str(i*10)
         html = get_one_page(url)
         results = parse_one_page(html)
         for item in results:
             print(item)
             save_one_page(item)

 if __name__=='__main__':
     main()

 #多进程版
 import requests
 import re
 import json
 from requests.exceptions import RequestException
 from multiprocessing import Pool

 def get_one_page(url):
     headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.75 Safari/537.36 LBBROWSER'}
     try:
         response = requests.get(url,headers = headers)
         if response.status_code == 200:
             return response.text
         else:
             return None
     except RequestException:
         return None

 def parse_one_page(html):
     pattern = re.compile(r'<dd>.*?board-index.*?">(\d+)</i>.*?data-src="(.*?)".*?name"><a.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>',re.S)
     results = re.findall(pattern,html)#这一步生成的其实是由元组组成的列表，列表的每一个元素是元组，元组则有前面正则表达式提取的电影名称，地址，演员名，上映时间，排序，评分等，这个列表怎么用，是一个很重要的问题
     for result in results:
         yield{
             'index':result[0],
             'add':result[1],
             'title':result[2],
             'actor':result[3].strip(),
             'time':result[4].strip(),
             'score':result[5]+result[6]

         }#生成器，返回一个个由键值对组成的字典

 def save_one_page(content):
     with open('D://result.txt','a',encoding='utf-8') as f:#当重新打开的时候，由于文件是gbk编码的，默认用gbk去打开，而此时打开的是unicode，所以无法打开，解决的方法是改变目标文件的编码
         f.write(json.dumps(content,ensure_ascii=False)+'\n')#这里表示用中文写入，即gbk，回到上一步
         '''如果我们要在不同的编程语言之间传递对象，就必须把对象序列化为标准格式，比如xml，但更好的方法是序列化为json，因为，json表现出来就是一个字符串，可以被所有语言读取，
         也可以方便地存储到磁盘或者通过网络传输，json不仅是标准格式，并且比xml还快，而且可以在web页面中读取，非常方便。
         将Python对象序列化为json用json.dumps(obj),意为把对象倾倒进入json
         将json转换成python用json.loads(obj)意为把json对象加载出来'''

 def main(pagenum):

     url = 'http://maoyan.com/board/4?offset='+str(pagenum)
     html = get_one_page(url)
     results = parse_one_page(html)
     for item in results:
         print(item)
         save_one_page(item)

 if __name__=='__main__':
     pool = Pool()
     pool.map(main,[x*10 for x in range(10)])