requests + 正则表达式获取 ‘猫眼电影top100’。

使用进程池Pool 提高爬取数据的速度。

 1 # !/usr/bin/python

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

 3 import requests

 4 from requests.exceptions import RequestException

 5 import re

 6 import json

 7 from multiprocessing import Pool,Lock

 8

 9

10 # 获取单页数据信息；

11 def get_one_page(url, headers):

12     try:

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

14         if response.status_code == 200:

15             return response.text

16         return None

17     except RequestException:

18         return None

19

20 # 使用正则表达式解析数据；

21 def parse_one_page(html):

22     pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a.*?>'

23                          +'(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>.*?integer">'

24                          +'(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>', re.S)

25     items = re.findall(pattern, html)

26     # 将获取的数据以字典形式返回；

27     for item in items:

28         yield {

29             'index': item[0],

30             'image': item[1],

31             'title': item[2],

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

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

34             'score': item[5]+item[6]

35         }

36

37 # 将字典转换为字符串保存，

38 def write_to_file(content):

39     lock.acquire()

40     with open('result.txt', 'a', encoding="utf-8") as f:

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

42         f.close()

43     lock.release()

44

45 def init(l):

46     global lock

47     lock = l

48

49 # 传入爬取链接，运行函数；

50 def main(offset):

51     url = "https://maoyan.com/board/4?offset=" + str(offset)

52     headers = {

53         "User-Agent": "Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36"

54     }

55     html = get_one_page(url, headers=headers)

56     for item in parse_one_page(html):

57         write_to_file(item)

58

59 if __name__ == '__main__':

60     # for i in range(10):

61     #     main(i*10)

62     # 使用 进程池 提高爬取速度；

63     lock = Lock()

64     Pool = Pool(initializer=init, initargs=(lock,))

65     Pool.map(main, [i*10 for i in range(10)])

python限定了多进程要调用的函数不能是类方法，需把多进程调用的函数放到类外面，或者变成静态函数。

但静态函数不能被该类的方法调用（ self.ProcessWorker 形式），需在外部调用：如 mc = MyClass(), mc.ProcessWorker 或 MyClass().ProcessWorker 。

python 多进程编程中进程池锁共享问题参考博客：https://blog.csdn.net/qq_27292549/article/details/78929296

# 将数组中的每个元素提取出来当作函数的参数，创建一个个进程，放进进程池中；
# 第一个参数是函数，第二个参数是迭代器，将迭代器中的数字作为参数依次传入函数中

巴特西

requests + 正则表达式获取 ‘猫眼电影top100’。

最新文章

热门文章

巴特西

requests + 正则表达式 获取 ‘猫眼电影top100’。

最新文章

热门文章

requests + 正则表达式获取 ‘猫眼电影top100’。