爬虫实战【4】Python获取猫眼电影最受期待榜的50部电影

前面几天介绍的都是博客园的内容，今天我们切换一下，了解一下大家都感兴趣的信息，比如最近有啥电影是万众期待的？
猫眼电影是了解这些信息的好地方，在猫眼电影中有5个榜单，其中最受期待榜就是我们今天要爬取的对象。这个榜单的数据来源于猫眼电影库，按照之前30天的想看总数量从高到低排列，取前50名。
我们先看一下这个表单中包含什么内容：
【插入图片，6猫眼榜单示例】

具体的信息有”排名，电影海报，电影名称，主演，上映时间“以及想看人数，今天我们主要关注前面5个信息的收集。
之前我们用正则表达式，在网页源代码中匹配了某一篇文章的标题，大家可能还有印象，这次我们还要用正则表达式来一次爬取多个内容。
另外，也尝试一下requests库。

第一步 如何获取网页的源码？

我们先分析一下这个榜单页面，跟之前博客园的大概是类似的。
url=http://maoyan.com/board/6?offset=0
上面是第一页的榜单地址，我们一眼就关注到了offset这个值，毫无疑问，后面的页面都是将offset改变就能获取到了。
来看一下第二页：
http://maoyan.com/board/6?offset=10
不一样的地方，offset每次增加了10，而不是之前博客园中的1.
无所谓，都是小case。
来来来，我们使用requests来爬一下第一页的源码看看。

import requests
#初始的代码
def get_html(url):
    response=requests.get(url)
    if response.status_code==200:
        html=response.content.decode('utf-8')
        return html
    else:
        return None

requests的get方法返回了一个response对象，我们根据这个response的状态码status_code就可以判断是否返回正常，200一般是OK的。
然后要对返回的内容解码，decode为utf-8的格式。
打印一下，看看得到什么结果。
【插入图片，1显示请求错误】

竟然失败了，被禁止访问了。
估计是猫眼设置了反爬虫，不过应该比较容易解决，我们看一下get方法的请求头信息。（在FireFox里面按F12，打开调试，点击网络，先把已经加载的内容删除，刷新一下页面，我们只看html格式的返回，如下图所示。
【插入图片，2user-agent】

我们先给requests添加一个user-agent的头信息，尝试一下能否获取到源码信息。

import requests
#改进后的代码，插入headers
def get_html(url):
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) '
                      'AppleWebKit/537.36 (KHTML, like Gecko) '
                      'Chrome/51.0.2704.79 Safari/537.36 Edge/14.14393'
    }
    response=requests.get(url,headers=headers)
    if response.status_code==200:
        html=response.content.decode('utf-8')
        return html
    else:
        return None

好了，成功了，获取到了网页源码
【插入图片，获取源码成功】

第二步 解析获取的源码

得到源码后，就可以开始解析了，我们要得到的5个信息，包括排名、海报、名称、主演和上映时间等信息。
【插入图片 5某一电影标签的内容】
所有的内容包含在一个dd标签内。
我们想要用正则表达式来获取这5个信息，就要用到分组的格式，详见前面对正则表达式的介绍。

r'<dd.*?board-index.*?">(\d+)</i.*?data-src="(.*?)".*?<p class="name"><a.*?>(.*?)</a>.*?<p class="star">(.*?)</p.*?class="releasetime">(.*?)</p.*?</dd>'

这个pattern有点长，我们主要关注5个()里面的内容，这就是我们要获取的5个信息。
使用re的findall方法来匹配整个源码，会得到一个list，里面有这5个内容。
但是每一页上有10个电影，假如每个电影一个item，那么我们会得到有10个item组成的一个list。
代码如下：

def parse_html(html):
    #为什么一定要开启非贪婪模式？
    pattern=re.compile('<dd.*?board-index.*?">(\d+)</i.*?data-src="(.*?)".*?<p class="name"><a.*?>(.*?)</a>.*?<p class="star">(.*?)</p.*?class="releasetime">(.*?)</p.*?</dd>',re.S)
    items=re.findall(pattern,html)
    result=[]
    for item in items:
        result.append({
            '排名':item[0],
            '海报':item[1],
            '名称':item[2],
            '主演':item[3].strip()[3:],
            '上映时间':item[4].strip()[5:]
        })
    return result

尤其要注意的是，.*表示可以匹配任意数量的字符，这个匹配是贪婪的，我们要在后面加上一个?才能保证匹配到第一个符合的内容就结束。
一开始没有注意，导致匹配失败很多次。
另外，由于获取主演的内容是这样的"主演：XXXXX"，所以要对list切片，把前面3个字符去掉。
上映时间也是同样的道理。
这样，对一个页面的解析就完成了。

第三步 保存信息

之前我们尝试过将信息保存在文本中，今天试一下json。
因为我们要保存的内容中有中文信息，所以在写入的时候设置编码为utf-8，同时在json的dump方法中设置ascii为False。

def save_one_page(offset_no):
    url=url_base+str(offset_no)
    html=get_html(url)
    items=parse_html(html)
    for item in items:
        print(item)
        with open('most wanted.json','a',encoding='utf-8') as f:
            json.dump(item,f,ensure_ascii=False)

第四步 开启多进程

如果想要提高运行效率，我们可以开始多进程，尤其对于这种多页、多条目的下载情况。当然我们目前的情况并不是十分要求，以备后面的情况。
Windows下，python的multiprocessing模块，提供了一个Process类来代表一个进程对象。
创建子进程时，只需要传入一个执行函数名和函数的参数，创建一个Process实例，用start()方法启动，join方法可以等待子进程结束后在继续往下运行。举个栗子：

from multiprocessing import Process
import os

# 子进程要执行的代码
def run_proc(name):
    print('Run child process %s (%s)...' % (name, os.getpid()))

if __name__=='__main__':
    print('Parent process %s.' % os.getpid())
    #target是要运行的函数名称，args是传入的参数，可以看出是一个元组，
    #如果只有一个参数，后面要加一个逗号
    p = Process(target=run_proc, args=('test',))
    print('Process will start.')
    p.start()
    p.join()
    print('Process end.')

如果要启动大量的子进程，可以用进程池的方式批量创建子进程，这里的进程池就是multiprocessing模块中的Pool类。
如果使用进程池的话，就不要使用start方法了，使用apply或者apply_async方法，async是
举个例子：

from multiprocessing import Pool
import os, time, random

def long_time_task(name):
    print('Run task %s (%s)...' % (name, os.getpid()))
    start = time.time()
    time.sleep(random.random() * 3)
    end = time.time()
    print('Task %s runs %0.2f seconds.' % (name, (end - start)))

if __name__=='__main__':
    print('Parent process %s.' % os.getpid())
    p = Pool()
    for i in range(5):
        p.apply_async(long_time_task, args=(i,))
    print('Waiting for all subprocesses done...')
    p.close()
    p.join()
    print('All subprocesses done.')

根据上面的说明，我们的代码应该如下所示：

if __name__=='__main__':
    pool = Pool()
    for i in range(5):
        pool.apply_async(save_one_page,args=(i*10,))
    pool.close()
    pool.join()
    #map函数是python中的一种内置函数，用法后面再介绍
    #pool.map(save_one_page, [i * 10 for i in range(5)])

至此为止，我们的代码就全部完成了。
附上效果图：【插入图片，结果】

未完成

但是仍然有一个内容，没有达到我的目标。
【插入图片，乱码】

【插入图片，对应数字】

&#x格式的编码，一直没有搞清楚，否则就能得到总共想看该电影的人数了。
这个东西后面一定会解决的。