zoukankan      html  css  js  c++  java
  • python 爬取猫眼榜单100(二)--多个页面以及多进程

    #!/usr/bin/env python
    # -*- coding: utf-8 -*-
    # @Author: Dang Kai
    # @Date: 2018-08-14 16:28:18
    # @Last Modified time: 2018-08-15 08:57:44
    # @E-mail: 1370465454@qq.com
    # @Description:增加多进程
    
    
    # http://maoyan.com/board/4
    # http://maoyan.com/board/4?offset=20
    
    import requests
    import re
    import json
    from multiprocessing import Pool
    from requests.exceptions import RequestException
    
    
    def get_one_page(url, headers):
        '''获取单页的html'''
        try:
            reponse = requests.get(url, headers=headers)
            if reponse.status_code == 200:
                return reponse.text
            else:
                return None
        except RequestException:  # 异常处理
            return None
    
    
    def parse_one_page(html):
        '''正则匹配所需数据'''
        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)
        # print(items)
        for item in items:
            yield{
                'index': item[0],
                'image': item[1],
                'title': item[2],
                'actor': item[3].strip()[3:],
                'starttime': item[4].strip()[5:],
                'score': item[5] + item[6]
            }
    
    
    def write_to_file(content):
        '''写入文件'''
        with open('result.txt', 'a', encoding='utf-8') as f:
            f.write(json.dumps(content, ensure_ascii=False) + '
    ')
            f.close()
    
    
    def main(offset):
        headers = {
            'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.75 Safari/537.36'}
        html = get_one_page(
            'http://maoyan.com/board/4?offset=' + str(offset), headers)
        # print(html)
        for item in parse_one_page(html):
            print(item)
            write_to_file(item)
    if __name__ == '__main__':
        # for i in range(10):
        #     main(i*10)
        pool = Pool()
        pool.map(main, {i*10 for i in range(10)})
    目前还在学习中,希望会对大家有所帮助,觉得不错,就点赞支持一下。 另外,转载时请附带链接。谢谢!
  • 相关阅读:
    servlet规范核心类图
    策略模式
    掌握Spark机器学习库-07-回归算法原理
    掌握Spark机器学习库-07-线性回归算法概述
    掌握Spark机器学习库-07-回归分析概述
    掌握Spark机器学习库-06-基础统计部分
    掌握Spark机器学习库-05-spark中矩阵与向量的使用
    测试开发要懂的设计模式知识
    数据可视化工具-ECharts
    掌握Spark机器学习库-02-mllib数据格式
  • 原文地址:https://www.cnblogs.com/dangkai/p/9476148.html
Copyright © 2011-2022 走看看