50行代码教你爬取猫眼电影TOP100所有信息

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()

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，恋习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

一、构造HTML下载器

import requestsfrom requests.exceptions import RequestExceptionheaders = {'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 None

二、构造HTML解析器

注意：

1.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；

2.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。

三、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

：1.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；

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：

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，欢迎大家一起谈论学习交流。