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)+'
')#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)+'
')#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)])