使用requests爬取猫眼电影TOP100榜单

　　Requests是一个很方便的python网络编程库，用官方的话是“非转基因，可以安全食用”。里面封装了很多的方法，避免了urllib/urllib2的繁琐。

　　这一节使用requests库对猫眼电影的TOP100榜进行抓取。

1 获得页面。

首先确定要爬取的url为http://maoyan.com/board/4，通过requests模块，打印出页面的信息

def get_a_page(url):
    try:
        response = requests.get(url)
        if response.status_code == 200:#状态码，200表示请求成功
            return response.text #返回页面信息
        return None
    except RequestException :
        return  None

上面是代码及注释，为了防止再抓取时候出现异常，requests的异常有这些,其中RequestException是异常的父类，故我们直接导入

from requests.exceptions import RequestException

作为异常处理。这样就得到了该url地址的网页内容。

2 分析页面

　　首先看一些页面的大致情况，其中【霸王别姬】就是我们要抓取的栏目，栏目下面又分了一些小内容，如下面黑色箭头所示。

先看一下页面大致情况，右键【审查元素】

可以看出<dd>标签包裹着每一个电影的信息，用正则表达式找到想要的元素。

reg = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name">'
                     + '<a.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                     + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>',re.S)

依次捕获的是 排名，地址，名称，主演，时间，整数评分，小数评分。这里我用字典的形式存储，返回一个生成器。

items = reg.findall(html)
    for item in items:
        yield{
            "index":item[0],
            "image":item[1],
            "title":item[2],
            "actor":item[3].strip()[3:],
            "time":item[4].strip()[5:],
            "score":item[5]+item[6]
            }

3 写入文件

抓取到电影列表，剩下就是将电影列表写入文件中，由于返回的是一个字典对象，可以使用pickle方法进行序列化，但为了方便以后的查阅，这里用文本方式保存

def write_to_file(contents):
    c = ""
    with codecs.open("result.txt",'a',encoding="utf-8",errors="ignore") as f:
        for key,value in contents.items():
            c += key + ":" + value +"\t"
        f.write(c + "\n")

返回的是一个字典格式，可是借助json方法进行序列化

def write_to_file(contents):
    with codecs.open("result.txt",'a',encoding="utf-8",errors="ignore") as f:
        f.write(json.dumps(contents,ensure_ascii=False) + '\n')

其中的dumps方法是将obj序列化为JSON格式的字符串，这里面要注意的是编码问题。最后就是抓取整个榜单了，可以加入多线程策略，最后的完整代码

# -*- coding: utf-8 -*-

import requests,re
import codecs
from requests.exceptions import RequestException
from multiprocessing import Pool

import json
def get_a_page(url):
    try:
        response = requests.get(url)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException :
        return  None
def parse_a_page(html):
    #排名，地址，名称，主演，时间，评分1，评分2
    reg = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name">'
                     + '<a.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>'
                     + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>',re.S)
    items = reg.findall(html)
    for item in items:
        yield{
            "index":item[0],
            "image":item[1],
            "title":item[2],
            "actor":item[3].strip()[3:],
            "time":item[4].strip()[5:],
            "score":item[5]+item[6]
            }

def write_to_file(contents):#这里面两个方法。一种是用json，一种是转为字符串
    c = ""
    with codecs.open("result.txt",'a',encoding="utf-8",errors="ignore") as f:
        #for key,value in contents.items():
            #c += key + ":" + value +"\t"
        f.write(json.dumps(contents,ensure_ascii=False) + '\n')
        #print c
        #f.write(c + "\n")
def main(offset):
    url = "http://maoyan.com/board/4?offset=%s" %offset
    print url
    html = get_a_page(url)
    for item in parse_a_page(html):
        write_to_file(item)

if __name__ == "__main__":
    '''
    for i in range(10):
        main(i*10)
    '''

    pool = Pool()#多线程
    pool.map(main,[i*10 for i in range(10)])