本帖最后由 wushaominkk 于 2018-7-6 09:25 编辑
分享自己源码!附带top100电影名单!没python的可以下载自己看用 百度云连接:https://pan.baidu.com/s/19owyNPKCiId4I6yfCDGdwA 密码：ja1p
[Python] 纯文本查看 复制代码 #!/usr/bin/env python
#!--*--coding:utf-8 --*--
#![url=home.php?mod=space&uid=238618]@Time[/url] :2018/7/5 18:08
#![url=home.php?mod=space&uid=686208]@AuThor[/url] TrueNewBee
#coding=utf-8
#爬取猫眼电影
#2018-7-5 17:37:30
#[url=http://maoyan.com/board/4?offset=0]http://maoyan.com/board/4?offset=0[/url]
'''
很完美!!!!2018-7-5 20:04:10 成功运行!啦啦啦
我觉得正则部分还可以优化有空再优化
'''
import requests
import re
import time
import json
def get_one_page(url):
"""爬取猫眼网页"""
headers = {
'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64)AppleWebKit/537.36 (KHTML, like Gecko)Chrome/55.0.2883.87 Safari/537.36'
}
response = requests.get(url,headers=headers)
if response.status_code ==200:
return response.text
return None
def parse_one_page(html):
"""提取数据"""
#运用正则提取 电影名字,演员等
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)
#遍历提取的结果生成字典
for item in items:
yield {
'排名': item[0],
'图片地址': item[1],
'电影名字': item[2],
'演员': item[3].strip()[3:],
'上映时间': item[4].strip()[5:],
'评分': item[5] + item[6]
}
def write_to_fire(content):
""""把提取的数据写入文件"""
with open("猫眼Top100电影.txt","a",encoding="utf-8") as f:
print(type(json.dumps(content)))
f.write(json.dumps(content,ensure_ascii=False)+'\n') #使用json模块实现字典的序列化
def main(offset):
"""主方法"""
url ='http://maoyan.com/board/4?offset='+str(offset)
html = get_one_page(url)
for item in parse_one_page(html):
print(item)
write_to_fire(item)
if __name__ == '__main__':
for i in range(10):
main(offset=i *10)
| 
发表于 2018-7-5 20:30
|
发表于 2018-7-5 21:31
