Python之爬虫-猫眼电影

Python之爬虫-猫眼电影

#!/usr/bin/env python
# coding: utf-8

import json
import requests
import re
import time
# 猫眼多了反爬虫，速度过快，则会无响应，所以这里多了一个延时等待
from requests.exceptions import RequestException

def get_one_page(url):
    try:
        headers = {
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36(KHTML, like Gecko) '
                          'Chrome/52.0.2743.116 Safari/537.36',
        }
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.text  # 使得get_one_page()函数输出是一个文本
        return None
    except RequestException:
        return None

def parse_one_page(html):
    pattern = re.compile(
        '<dd>.*?board-index.*?>(.*?)</i>.*?name.*?a.*?>(.*?)</a>.*?star.*?>(.*?)</p>.*?releasetime.*?>(.*?)</p>.*?'
        'integer.*?>(.*?)</i>.*?fraction.*?>(.*?)</i>.*?</dd>',
        re.S)  # 正则表达式获取需要保存的东西编译成正则表达式对象
    items = re.findall(pattern, html)  # 遍历html文件中的所有pattern正则表达式对象
    for item in items:  # 把提取的对象装入字典中
        yield {
            'index': item[0],
            'title': item[1],
            'actor': item[2].strip()[3:],
            'time': item[3].strip()[5:],
            'score': item[4] + item[5]
        }

def write_to_file(content):  # 把文件写入并保存在result.tx + '\n')
    with open('result.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False) + '\n')

def main(offset):  # 遍历TOP100的电影的所有网址
    url = 'http://maoyan.com/board/4?offset=' + str(offset)  # 接收一个偏移量offset
    html = get_one_page(url)
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)

if __name__ == '__main__':  # 创建一个偏移量offset
    for i in range(10):
        main(offset=i * 10)
        time.sleep(1)