本文的文字及圖片來源于網路,僅供學習、交流使用,不具有任何商業用途,著作權歸原作者所有,如有問題請及時聯系我們以作處理，

以下文章來源于云+社區，作者聽城

轉載地址

https://blog.csdn.net/fei347795790?t=1

主要內容

requests設定headers，防止反爬
爬取內容
結果json保存
多執行緒抓取

設定headers

設定headers的主要目的就是防止用戶請求被請求頁面判定為惡意請求，最基本的就是要讓用戶的請求模擬瀏覽器請求的方式，通常在headers設定user-agent來起到模擬瀏覽器的方式，

session = requests.Session()
headers = {
    'Connection': 'keep-alive',
    'Accept': 'text/html, */*; q=0.01',
    'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2272.89 Safari/537.36',
    'Accept-Encoding': 'gzip, deflate, sdch',
    'Accept-Language': 'zh-CN,zh;q=0.8,ja;q=0.6'
}

爬取內容

我們使用正則運算式方式來獲取我們想要的資料，這里會用re.compile()函式，該函式根據包含的正則運算式的字串創建模式物件，可以實作更有效率的匹配，在直接使用字串表示的正則運算式進行search,match和findall操作時，python會將字串轉換為正則運算式物件，而使用compile完成一次轉換之后，在每次使用模式的時候就不用重復轉換，當然，使用re.compile()函式進行轉換后，re.search(pattern, string)的呼叫方式就轉換為 pattern.search(string)的呼叫方式，

pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="https://www.cnblogs.com/hhh188764/p/(.*?)".*?name">'
                         + '<a.*?>(.*?)</a>.*?"star">(.*?)</p>.*?releasetime">(.*?)</p>'
                         + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)
    # 匹配所有符合條件的內容
    items = re.findall(pattern, html)

結果json保存

# ensure_ascii=False是為了中文正常顯示
    with open('result.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False) + '\n')

多執行緒抓取

from multiprocessing import Pool
pool = Pool()
pool.map(main,[i*10 for i in range(10)])

全部代碼

import re
import os
import json
import requests
from multiprocessing import Pool
from requests.exceptions import RequestException

session = requests.Session()
headers = {
    'Connection': 'keep-alive',
    'Accept': 'text/html, */*; q=0.01',
    'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2272.89 Safari/537.36',
    'Accept-Encoding': 'gzip, deflate, sdch',
    'Accept-Language': 'zh-CN,zh;q=0.8,ja;q=0.6'
}


def get_one_page(url):
    try:
        response = session.get(url,headers=headers)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return 'RequestException'


def parse_one_page(html):
    print('parse page')
    #re.S是為了匹配換行符
    pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="https://www.cnblogs.com/hhh188764/p/(.*?)".*?name">'
                         + '<a.*?>(.*?)</a>.*?"star">(.*?)</p>.*?releasetime">(.*?)</p>'
                         + '.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)
    # 匹配所有符合條件的內容
    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]
        }
def write_to_file(content):
    '''
    將文本資訊寫入檔案
    '''
    with open('result.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False) + '\n')

def save_image_file(url, path):
    '''
    保存電影封面
    '''
    ir = requests.get(url)
    if ir.status_code == 200:
        with open(path, 'wb') as f:
            f.write(ir.content)
            f.close()

def main(offset):
    url = 'http://maoyan.com/board/4?offset=' + str(offset)
    html = get_one_page(url)
    # 封面檔案夾不存在則創建
    if not os.path.exists('covers'):
        os.mkdir('covers')
    for item in parse_one_page(html):
        #print(item)
        write_to_file(item)
        save_image_file(item['image'], 'covers/' + '%03d' % int(item['index']) + item['title'] + '.jpg')


if __name__ == '__main__':
    # for i in range(10):
    #     main(i+10)
    pool = Pool()
    pool.map(main,[i*10 for i in range(10)])

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/132231.html

標籤：Python

上一篇：十六大Python面試題！看完面試官給了我40K的薪資