学习目的：

　　通过一个一个简单的爬虫应用，初窥门径。

正式步骤

Step1：流程框架

抓取单页内容：利用requests请求目标站点，得到单个页面的html代码，返回结果；

正则表达式分析：根据html页面代码分析得到猫眼电影的名称、主演、上映时间、评分、图片信息等；

保存至文件：通过文件的形式将结果保存，每一部电影一个结果一行json字符串；

开启循环及多线程：对页面内容进行遍历，开启多线程提高抓取效率

Step2：实际步骤+分析

1. 在pycharm中新建一个Python项目，新建一个文件spider.py

2.运行代码：

# -*-  coding:utf-8 -*-import requestsimport reimport jsonfrom requests.exceptions import RequestExceptionfrom multiprocessing import Pooldef get_page_html(url):    #设置headers是猫眼加了反爬机制    headers = {        'user-agent': 'Mozilla/5.0 (Windows NT 6.1; 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:            return response.text        return None  #如果页面状态码不为200，则函数终止    except RequestException:        return None  #如果测试代码异常，则无返回，函数结束def parse_page_html(html):    pattern = re.compile('
     
      .*?board-index.*?>(\d+).*?data-src="(.*?)".*?name">
      
       (.*?).*?star">(.*?)
       
.*?releasetime">(.*?)
       
'                          +'.*?integer">(.*?).*?fraction">(.*?).*?
      
     
',re.S)    items = re.findall(pattern,html)    for item in items:        yield {            'index':item[0],            'image':item[1],            'name':item[2],            'actor':item[3].strip()[3:],            'date':item[4].strip()[5:],            'score':item[5]+item[6]        }def save_file(content):    with open("detail.txt",'a',encoding='utf-8') as f:        f.write(json.dumps(content,ensure_ascii=False)+'\n')        f.close()def main(offset):    url = "http://maoyan.com/board/4?offset="  + str(offset)    html = get_page_html(url)    for detail in parse_page_html(html):        save_file(detail)if __name__ == '__main__':    # for offset in range(10):    #     main(offset*10)    pool = Pool()    pool.map(main,[i*10 for i in range(10)])