爬虫（七）：爬取猫眼电影top100

一：分析网站

目标站和目标数据
目标地址：http://maoyan.com/board/4?offset=20
目标数据：目标地址页面的电影列表，包括电影名，电影图片，主演，上映日期以及评分。

二：上代码

（1）：导入相应的包

import requests

from requests.exceptions import RequestException # 处理请求异常

import re

import pymysql

import json

from multiprocessing import Pool

（2）：分析网页

通过检查发现需要的内容位于网页中的<dd>标签内。通过翻页发现url中的参数的变化。

（3）：获取html网页

# 获取一页的数据

def get_one_page(url):

    # requests会产生异常

    headers = {

        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36',

    }

    try:

        response = requests.get(url, headers=headers)

        if response.status_code == 200:  # 状态码是200表示成功

            return response.text

        else:

            return None

    except RequestException:

        return None

（4）：通过正则提取需要的信息 --》正则表达式详情

# 解析网页内容

def parse_one_page(html):

    pattern = re.compile(

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

        re.S)  # re.S可以匹配任意字符包括换行

    items = re.findall(pattern, html)  # 将括号中的内容提取出来

    for item in items:

        yield {  # 构造一个生成器

            'index': item[0].strip(),

            'title': item[2].strip(),

            'actor': item[3].strip()[3:],

            'score': ''.join([item[5].strip(), item[6].strip()]),

            'pub_time': item[4].strip()[5:],

            'img_url': item[1].strip(),

        }

（5）：将获取的内容存入mysql数据库

# 连接数据库，首先要在本地创建好数据库

def commit_to_sql(dic):

    conn = pymysql.connect(host='localhost', port=3306, user='mydb', passwd='', db='maoyantop100',

                           charset='utf8')

    cursor = conn.cursor(cursor=pymysql.cursors.DictCursor)  # 设置游标的数据类型为字典

    sql = '''insert into movies_top_100(mid,title,actor,score,pub_time,img_url) values("%s","%s","%s","%s","%s","%s")''' % (

        dic['index'], dic['title'], dic['actor'], dic['score'], dic['pub_time'], dic['img_url'],)

    cursor.execute(sql)  # 执行sql语句并返回受影响的行数

    # # 提交

    conn.commit()

    # 关闭游标

    cursor.close()

    # 关闭连接

    conn.close()

（6）：主程序及运行

def main(url):

    html = get_one_page(url)

    for item in parse_one_page(html):

        print(item)

        commit_to_sql(item)

if __name__ == '__main__':

    urls = ['http://maoyan.com/board/4?offset={}'.format(i) for i in range(0, 100, 10)]

    # 使用多进程

    pool = Pool()

    pool.map(main, urls)

（7）：最后的结果

完整代码：

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

# @Author  : FELIX

# @Date    : 2018/4/4 9:29

import requests

from requests.exceptions import RequestException

import re

import pymysql

import json

from multiprocessing import Pool

# 连接数据库

def commit_to_sql(dic):

    conn = pymysql.connect(host='localhost', port=3306, user='wang', passwd='', db='maoyantop100',

                           charset='utf8')

    cursor = conn.cursor(cursor=pymysql.cursors.DictCursor)  # 设置游标的数据类型为字典

    sql = '''insert into movies_top_100(mid,title,actor,score,pub_time,img_url) values("%s","%s","%s","%s","%s","%s")''' % (

        dic['index'], dic['title'], dic['actor'], dic['score'], dic['pub_time'], dic['img_url'],)

    cursor.execute(sql)  # 执行sql语句并返回受影响的行数

    # # 提交

    conn.commit()

    # 关闭游标

    cursor.close()

    # 关闭连接

    conn.close()

# 获取一页的数据

def get_one_page(url):

    # requests会产生异常

    headers = {

        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36',

    }

    try:

        response = requests.get(url, headers=headers)

        if response.status_code == 200:  # 状态码是200表示成功

            return response.text

        else:

            return None

    except RequestException:

        return None

# 解析网页内容

def parse_one_page(html):

    pattern = re.compile(

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

        re.S)  # re.S可以匹配任意字符包括换行

    items = re.findall(pattern, html)  # 将括号中的内容提取出来

    for item in items:

        yield {  # 构造一个生成器

            'index': item[0].strip(),

            'title': item[2].strip(),

            'actor': item[3].strip()[3:],

            'score': ''.join([item[5].strip(), item[6].strip()]),

            'pub_time': item[4].strip()[5:],

            'img_url': item[1].strip(),

        }

    # print(items)

def write_to_file(content):

    with open('result.txt', 'a', encoding='utf8')as f:

        f.write(json.dumps(content, ensure_ascii=False) + '\n')

ii = 0

def main(url):

    html = get_one_page(url)

    for item in parse_one_page(html):

        global ii

        print(ii, item)

        ii = ii + 1

        commit_to_sql(item)

        write_to_file(item)

# print(html)

if __name__ == '__main__':

    urls = ['http://maoyan.com/board/4?offset={}'.format(i) for i in range(0, 100, 10)]

    # 使用多进程

    pool = Pool()

    pool.map(main, urls)