今天，手把手教你入门 Python 爬虫，爬取猫眼电影 TOP100 榜信息。
对于 Python 初学者来说，爬虫技能是应该是最好入门，也是最能够有让自己有成就感的，今天，练习 Python 的手把手系列，手把手教你入门 Python 爬虫，爬取猫眼电影 TOP100 榜信息，将涉及到基础爬虫架构中的 HTML 下载器、HTML 解析器、数据存储器三大模块：
HTML 下载器：利用 requests 模块下载 HTML 网页；
HTML 解析器：利用 re 正则表达式解析出有效数据
数据存储器：将有效数据通过文件或者数据库的形式存储起来
小编给大家推荐一个学习氛围超好的地方，python交流企鹅裙：474534951！适合在校大学生，小白，想转行，想通过这个找工作的加入。裙里有大量学习资料，有大神解答交流问题，每晚都有免费的直播课程
01 构造 HTML 下载器
import requests
from requests.exceptions import RequestException
headers = {'User-Agent':'Mozilla/5.0 '}
def get_one_page(url):
try:
res = requests.get(url,headers = headers)
if res.status_code == 200:
return res.text
return None
except RequestException:
return None02 构造 HTML 解析器
def parse_one_page(html):
pattern = re.compile('.*?board-index.*?>(d+).*?class="lazyload" src="https://www.mshxw.com/file/upload/202104/14/165744150.png" data-original="(.*?)".*?name">
+'.*?>(.*?).*?star">(.*?).*?releasetime">(.*?)'
+'.*?integer">(.*?).*?fraction">(.*?).*?',re.S)
items = re.findall(pattern,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]
}注意事项：
在函数中本来该 return 的地方用 yield，如果用 return，在第一轮循环就会跳出，结果文件只会有一部电影。如果用 yield，函数返回的就是一个生成器，而生成器作为一种特殊的迭代器，可以用 for——in 方法，一次一次的把 yield 拿出来；
re.findall(pattern,string[,flags])：搜索整个 string，以列表的形式返回能匹配的全部子串，其中参数是匹配模式，如 re.S 表示点任意匹配模式，改变“.”的行为。
03 构造数据存储器
def write_to_file(content):
with open ('result.txt', 'a',encoding='utf-8') as f:
f.write(json.dumps(content,ensure_ascii=False) + 'n')
f.close()注意事项：
为什么 ensure_ascii=False？原因是 json 默认是以 ASCII 来解析 code 的，由于中文不在 ASCII 编码当中，因此就不让默认 ASCII 生效；
要写入特定编码的文本文件，请给 open()函数传入 encoding 参数，将字符串自动转换成指定编码。细心的童鞋会发现，以'w'模式写入文件时，如果文件已存在，会直接覆盖（相当于删掉后新写入一个文件）。如果我们希望追加到文件末尾怎么办？可以传入'a'以追加（append）模式写入。
接下来就是构造主函数，初始化各个模块，传入入口 URL，按照运行流程执行上面三大模块：
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) write_to_file(item) if __name__ == '__main__': p = Pool() p.map(main,[i*10 for i in range(10)])
注意事项：
为了提高速度，我们引入 Pool 模块，用多线程并发抓取
执行代码后，结果如下：
本文中介绍了基础爬虫架构主要的的三个模块（HTML 下载器、HTML 解析器、数据存储器），无论大型还是小型爬虫都不会脱离这三个模块，也希望大家通过这个小小的练习对整个爬虫有个清晰的认识
作者：诸葛玥
链接：https://www.jianshu.com/p/27987e56ad35
