zoukankan      html  css  js  c++  java
  • Python并发编程-一个简单的爬虫

    一个简单的爬虫

    
    #网页状态码
    #200  正常
    #404  网页找不到
    #502 504
    import requests
    from multiprocessing import Pool
    
    def get(url):
        response = requests.get(url)
        if response.status_code == 200:
            return url, response.content.decode('utf-8')
    
    def call_back(args):
        url,content = args #拆包args中传入的参数
        print(url,len(content))
    
    
    if __name__ == '__main__':
        url_lst = [
            'https://www.cnblogs.com',
            'https://www.sogou.com',
            'http://www.sohu.com',
            'http://www.baidu.com'
        ]
        p = Pool(5)
        for url in url_lst:
                p.apply_async(get,args=(url,),callback=call_back) #利用callback去用主进程执行Call_back函数中的功能
        p.close()
        p.join()
    

    爬虫进阶

    import re
    from urllib.request import urlopen
    from multiprocessing import Pool
    
    def get_page(url,pattern):
        response=urlopen(url).read().decode('utf-8')
        return pattern,response #正则表达式编译结果,网页内容
    
    def parse_page(info):
        pattern,page_content=info
        res=re.findall(pattern,page_content)
        for item in res:
            dic={
                'index':item[0].strip(),
                'title':item[1].strip(),
                'actor':item[2].strip(),
                'time':item[3].strip(),
            }
            print(dic)
    if __name__ == '__main__':
        regex = r'<dd>.*?<.*?class="board-index.*?>(d+)</i>.*?title="(.*?)".*?class="movie-item-info".*?<p class="star">(.*?)</p>.*?<p class="releasetime">(.*?)</p>'
        pattern1=re.compile(regex,re.S)
    
        url_dic={
            'http://maoyan.com/board/7':pattern1,
        }
    
        p=Pool()
        res_l=[]
        for url,pattern in url_dic.items():
            res=p.apply_async(get_page,args=(url,pattern),callback=parse_page)
            res_l.append(res)
    
        for i in res_l:
            i.get()
    
    
    >>>
    {'index': '1', 'title': '传奇的诞生', 'actor': '主演:凯文·德·保拉,贝利,索·豪黑', 'time': '上映时间:2018-09-07'}
    {'index': '2', 'title': '大寒', 'actor': '主演:张双兵,鲁园,许薇', 'time': '上映时间:2018-08-14'}
    {'index': '3', 'title': '苏丹', 'actor': '主演:萨尔曼·汗,安努舒卡·莎玛,兰迪普·弘达', 'time': '上映时间:2018-08-31'}
    {'index': '4', 'title': '爸,我一定行的', 'actor': '主演:郑润奇,郑鹏生,张咏娴', 'time': '上映时间:2018-08-24'}
    {'index': '5', 'title': '李宗伟:败者为王', 'actor': '主演:李宗伟,李国煌,杨雁雁', 'time': '上映时间:2018-09-07'}
    {'index': '6', 'title': '悲伤逆流成河', 'actor': '主演:赵英博,任敏,辛云来', 'time': '上映时间:2018-09-21'}
    {'index': '7', 'title': '碟中谍6:全面瓦解', 'actor': '主演:汤姆·克鲁斯,亨利·卡维尔,文·瑞姆斯', 'time': '上映时间:2018-08-31'}
    {'index': '8', 'title': '快把我哥带走', 'actor': '主演:张子枫,彭昱畅,赵今麦', 'time': '上映时间:2018-08-17'}
    {'index': '9', 'title': '赛尔号大电影6:圣者无敌', 'actor': '主演:罗玉婷,翟巍,王晓彤', 'time': '上映时间:2017-08-18'}
    {'index': '10', 'title': '念念手纪', 'actor': '主演:滨边美波,北村匠海,北川景子', 'time': '上映时间:2018-09-14'}
    
    

    正则表达式的在线校验网站

    http://tool.chinaz.com/regex

  • 相关阅读:
    【t035】收入计划
    【Z10】引水入城
    【a702】贷款利率
    【t057】任务分配
    10个带源码的充满活力的Web设计教程
    PHP和MySQL Web开发(原书第4版) 高清PDF+源代码
    Optimizing concurrent accesses in a directory-based coherency protocol
    献给母亲节的沙画,致此生最爱——母亲!
    献给母亲节的沙画,致此生最爱——母亲!
    C#一些实用的工具
  • 原文地址:https://www.cnblogs.com/konglinqingfeng/p/9703414.html
Copyright © 2011-2022 走看看