python正則表達式如何爬取貓眼電影top100

這篇文章主要為大家展示了“python正則表達式如何爬取貓眼電影top100”，內容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領大家一起研究并學習一下“python正則表達式如何爬取貓眼電影top100”這篇文章吧。

用正則表達式爬取貓眼電影top100，具體內容如下

#!/usr/bin/python 
# -*- coding: utf-8 -*- 
 
import json  # 快速導入此模塊：鼠標先點到要導入的函數處，再Alt + Enter進行選擇 
from multiprocessing.pool import Pool #引入進程池 
 
import requests 
import re 
import csv 
from requests.exceptions import RequestException #引入異常 
 
## 正確保存，無丟失 
 
# 請求一個頁面返回響應內容 
#以《霸王別姬》為列，右擊—查看元素—會顯示一個網頁信息 
def get_one_page(url,offset): 
 try: 
  response=requests.get(url=url,params={"offset":offset}) 
  if response.status_code==200: #由狀態碼判斷返回結果，200表示請求成功，300,500表出錯 
   return response.text #返回網頁內容 
  else:return None 
 except RequestException as e: 
   return None 
 
# 解析一個頁面 
def parse_one_page(html): 
 pattern = ('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a' 
       + '.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>' 
       + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>') 
 #寫個正則，匹配所有結果。這里由上面的網頁相應內容寫<dd>開頭，.*?匹配任意字符穿 board-index匹配標識符,類名， 
 # \d 表數字即排名，'+'表示匹配至少一個可多個數字，</i>右邊結束符 
 #“?”，問號表示 非貪婪匹配，就是一旦匹配到就不在繼續往后面嘗試。 
 #而\(和\)分別表示匹配一個“(”和“)” 
 # re.S匹配多行 
 regex = re.compile(pattern,re.S) #一個方法，通過一個正則表達式字符串編譯生成一個正則表達式對象，re.S 匹配任意字符 
 items = regex.findall(html) #以列表形式返回全部能匹配的子串. eg: re.findall(pattern, string[, flags]) 
 for item in items: #將結果以字典形式返回，鍵值對 
   yield{  #把這個方法變成一個生成器 
    'index':item[0], 
    'image':item[1], 
    'title':item[2], 
    'actor':item[3].strip()[3:], #用strip（）去掉換行符，不想要 主演： 這三個字就用[3:]組成一個切片，name就可以將前三個字符串去掉 
    'time':get_release_time(item[4].strip()[5:]),  #去掉前五個字符 
    'area':get_release_area(item[4].strip()[5:]), 
    'score':item[5]+item[6] #將評分整數部分和小數部分結合起來 
  } 
 
''''' 
#保存到txt，會發現中文漢字變成了unic的編碼,加上encoding='utf-8'，ensure_ascii=False，則漢字可正常輸出 
def write_to_file(content): 
 with open('result.txt','a',encoding='utf-8') as f: # 參數 a ，表示直接往后追加 
  f.write(json.dumps(content,ensure_ascii=False) +'\n') #content是一個字典的形式，用json.dumps 把它轉換為字符串，再加個換行符 
  f.close()  
#json.dumps :dict 轉換為 str 
#json.loads: str 轉換為 dict 
''' 
'''''''' 
# 獲取上映時間 <p class="releasetime">上映時間：1993-01-01(中國香港)</p> 
def get_release_time(data): 
 pattern = '^(.*?)(\(|$)' 
 regex = re.compile(pattern) 
 w = regex.search(data) 
 return w.group(1) # group(1)指的是第一個括號里的東西 
 
# 獲取上映地區 
def get_release_area(data): 
 pattern = '.*\((.*)\)' #而\(和\)分別表示匹配一個 '(' 和 ')' 
 regex = re.compile(pattern) 
 w = regex.search(data) 
 if w is None: 
  return'未知' 
 return w.group(1) 
 
# 獲取封面大圖,不需要 
# def get_large_thumb(url): 
#  pattern = '(.*?)@.*?' 
#  regex = re.compile(pattern) 
#  w = regex.search(url) 
#  return w.group(1) 
 
# 存儲數據 
def store_data(item): 
 with open('movie.csv','a',newline='',encoding='utf-8') as data_csv: 
  # dialect為打開csv文件的方式，默認是excel，delimiter="\t"參數指寫入的時候的分隔符 
  csv_writer = csv.writer(data_csv) 
  csv_writer.writerow([item['index'], item['image'], item['title'], item['actor'],item['time'],item['area'],item['score']]) 
# 參數newline是用來控制文本模式之下，一行的結束字符。可以是None，''，\n，\r，\r\n等。 
''''' 
也可判斷異常，一般沒錯 
  try: 
   csv_writer = csv.writer(data_csv) 
   csv_writer.writerow([item['index'], item['image'], item['title'], item['actor'],item['time'],item['area'],item['score']]) 
  except Exception as e: 
   print(e) 
   print(item) 
''' 
 
# 下載封面圖 
#讀方式打開的話，并不會新建；寫方式打開的話就會新建。 r只讀，w可寫，a追加 
def download_thumb(title,image): 
 try: 
  response = requests.get(image) 
  # 獲取二進制數據 
  with open('image/'+title+'.jpg', 'wb') as f: #將封面圖保存到當前路徑下的image文件夾中，圖片名稱為：電影名.jpg 
   f.write(response.content) 
   f.close() 
 except RequestException as e: 
  print(e) 
  pass 
 
 
# 主調度程序 
def main(): 
 # 起始URL 
 start_url = 'http://maoyan.com/board/4?' 
 for i in range(0,1000,10): 
  # 獲取響應文本內容 
  html = get_one_page(url=start_url, offset=i) 
  if html is None: 
   print('鏈接:%s?offset=%s異常'.format(start_url,i)) 
   continue 
  for item in parse_one_page(html): 
   # print(item) 
   store_data(item) 
   # download_thumb(item['title'],item['image']) 
# 
 
if __name__=='__main__': 
 main() 
 
''''' 
if __name__=='__main__': 
 for i in range(10): 
  main(i*10) 
''' 
 
''''' 
if __name__=='__main__': 
 for i in range(10): 
  main(i*10) 
 pool=Pool() #可以提供指定數量的進程供用戶調用，如果有一個新的請求被提交到進程池，進程池還沒有滿，就會創建新的進程來執行請求，如果滿了，就先等待 
 pool.map(main,[i*10 for i in range(10)]) #將數組中的每一個元素拿出來當做函數的參數，然后創建一個個的進程，放到進程池里面去運行；第二個參數是構造一個數組，組成循環 
 #速度明顯變快！1s 
'''

保存到數據庫

def main(offset): 
  url='http://maoyan.com/board/4?offset='+str(offset) 
  html=get_one_page(url) 
  # for item in parse_one_page(html): 
  #   print(item['number'])  #能正確輸出 , charset="utf8" 
  try: 
    conn = pymysql.connect(host='localhost', user='root', passwd=' ', port=3306,db='test1',charset="utf8",use_unicode = False ) 
    cur = conn.cursor() # 創建一個游標對象 
    for item in parse_one_page(html): 
      try: 
        # sql = "INSERT INTO movies (number,picture,title,actors,time,area,score) VALUES （%s,%s,%s,%s,%s,%s,%s）" 
        # cur.execute(sql, ( item['number'],item['picture'],item['title'],item['actors'],item['time'],item['area'],item['score'])) 
        sql = "insert into test_movies (number,picture,title,actors,time,area,score) values(%s,%s,%s,%s,%s,%s,%s)" 
        cur.execute(sql, (item['number'], item['picture'], item['title'], item['actors'], item['time'], item['area'],item['score'])) 
      except pymysql.Error as e: 
        print(e) 
      print('- - - - - 數據保存成功 - - - - -') 
    conn.commit() 
    cur.close() 
    conn.close() # 關閉數據 
  except pymysql.Error as e: 
    print("Mysql Error %d: %s" % (e.args[0], e.args[1])) 
 
 
if __name__=='__main__': 
  # 連接數據庫 
  conn = pymysql.connect(host='localhost', user='root', passwd=' ', port=3306, db='test1', charset="utf8") 
  cur = conn.cursor() # 創建一個游標對象 
  cur.execute("DROP TABLE IF EXISTS test_movies") # 如果表存在則刪除 
  # 創建表sql語句 
  sqlc = """CREATE TABLE test_movies( 
    number int not null primary key auto_increment, 
    picture VARCHAR(100) NOT NULL, 
    title VARCHAR(100) NOT NULL, 
    actors VARCHAR(200) NOT NULL, 
    time VARCHAR(100) NOT NULL, 
    area VARCHAR(100) , 
    score VARCHAR(50) NOT NULL 
  )""" 
  cur.execute(sqlc) # 執行創建數據表操作 
  pool=Pool() 
  pool.map(main,[i*10 for i in range(10)])

以上是“python正則表達式如何爬取貓眼電影top100”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！