使用Python抓取豆瓣影评数据的方法_Python

抓取豆瓣影评评分

正常的抓取

分析请求的url

				?

									<a href="https://movie.douban.com/subject/26322642/comments?start=20&limit=20&sort=new_score&status=P&percent_type" rel="external nofollow">https://movie.douban.com/subject/26322642/comments?start=20&limit=20&sort=new_score&status=P&percent_type</a>=

里面有用的也就是start和limit参数，我尝试过修改limit参数，但是没有效果，可以认为是默认的
start参数是用来设置从第几条数据开始查询的

设计查询列表，发现页面中有url中的查询部分，且指向下一个页面

使用Python抓取豆瓣影评数据的方法

于是采用下面的代码进行判断是否还有下一个页面

				?

									if next_url:

									    visit_URL('https://movie.douban.com/subject/24753477/comments'+next_url)

用requests发送请求，beautifulsoup进行网页解析

使用Python抓取豆瓣影评数据的方法

把数据写入txt

				?

									import requests

									from bs4 import BeautifulSoup

									first_url = 'https://movie.douban.com/subject/26322642/comments?status=P'

									# 请求头部

									headers = {

									  'Host':'movie.douban.com',

									  'Referer':'https://movie.douban.com/subject/24753477/?tag=%E7%83%AD%E9%97%A8&from=gaia_video',

									  'Upgrade-Insecure-Requests':'1',

									  'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36',

									}

									def visit_URL(url):

									  res = requests.get(url=url,headers=headers)

									  soup = BeautifulSoup(res.content,'html5lib')

									  div_comment = soup.find_all('div',class_='comment-item') # 找到所有的评论模块

									  for com in div_comment:

									    username = com.find('div',class_='avatar').a['title']

									    comment_time = com.find('span',class_='comment-time')['title']

									    votes = com.find('span',class_='votes').get_text()

									    comment = com.p.get_text()

									    with open('1.txt','a',encoding='utf8') as file:

									      file.write('评论人：'+username+'\n')

									      file.write('评论时间：'+comment_time+'\n')

									      file.write('支持人数：'+votes+'\n')

									      file.write('评论内容：'+comment+'\n')

									  # 检查是否有下一页

									  next_url = soup.find('a',class_='next')

									  if next_url:

									    temp = next_url['href'].strip().split('&amp;') # 获取下一个url

									    next_url = ''.join(temp)

									    print(next_url)

									  # print(next_url)

									  if next_url:

									    visit_URL('https://movie.douban.com/subject/24753477/comments'+next_url)

									if __name__ == '__main__':

									  visit_URL(first_url)

模仿移动端

很多时候模仿移动端获得的页面会比PC端的简单，更加容易解析，这次模拟移动端，发现可以直接访问api获取json格式的数据，nice!

使用Python抓取豆瓣影评数据的方法

至于怎么模拟移动端只需要将user-agent修改为移动端的头

				?

									useragents = [

									  "Mozilla/5.0 (iPhone; CPU iPhone OS 9_2 like Mac OS X) AppleWebKit/601.1 (KHTML, like Gecko) CriOS/47.0.2526.70 Mobile/13C71 Safari/601.1.46",

									  "Mozilla/5.0 (Linux; U; Android 4.4.4; Nexus 5 Build/KTU84P) AppleWebkit/534.30 (KHTML, like Gecko) Version/4.0 Mobile Safari/534.30",

									  "Mozilla/5.0 (compatible; MSIE 9.0; Windows Phone OS 7.5; Trident/5.0; IEMobile/9.0)"

怎么获取这些头部？用火狐的插件user-agent switcher

之后的操作就是解析json

				?

									import random

									import requests

									import json

									import time

									first_url = 'https://m.douban.com/rexxar/api/v2/tv/26322642/interests?count=20&order_by=hot&start=0&ck=dNhr&for_mobile=1'

									url = 'https://m.douban.com/rexxar/api/v2/tv/26322642/interests'

									# 移动端头部信息

									useragents = [

									  "Mozilla/5.0 (iPhone; CPU iPhone OS 9_2 like Mac OS X) AppleWebKit/601.1 (KHTML, like Gecko) CriOS/47.0.2526.70 Mobile/13C71 Safari/601.1.46",

									  "Mozilla/5.0 (Linux; U; Android 4.4.4; Nexus 5 Build/KTU84P) AppleWebkit/534.30 (KHTML, like Gecko) Version/4.0 Mobile Safari/534.30",

									  "Mozilla/5.0 (compatible; MSIE 9.0; Windows Phone OS 7.5; Trident/5.0; IEMobile/9.0)"

									]

									def visit_URL(i):

									  print(">>>>>",i)

									  # 请求头部

									  headers = {

									    'Host':'m.douban.com',

									    'Upgrade-Insecure-Requests':'1',

									    'User-Agent':random.choice(useragents)

									  }

									  params = {

									    'count':'50',

									    'order_by':'hot',

									    'start':str(i),

									    'for_mobile':'1',

									    'ck':'dNhr'

									  }

									  res = requests.get(url=url,headers=headers,params=params)

									  res_json = res.json()

									  interests = res_json['interests']

									  print(len(interests))

									  for item in interests:

									    with open('huge.txt','a',encoding='utf-8') as file:

									      if item['user']:

									        if item['user']['name']:

									          file.write('评论用户:'+item['user']['name']+'\n')

									      else:

									        file.write('评论用户:none\n')

									      if item['create_time']:

									        file.write('评论时间:'+item['create_time']+'\n')

									      else:

									        file.write('评论时间:none\n')

									      if item['comment']:

									        file.write('评论内容:'+item['comment']+'\n')

									      else:

									        file.write('评论内容:none\n')

									      if item['rating']:

									        if item['rating']['value']:

									          file.write('对电影的评分:'+str(item['rating']['value'])+'\n\n')

									      else:

									        file.write('对电影的评分:none\n')

									if __name__ == '__main__':

									  for i in range(0,66891,20):

									    # time.sleep(2)

									    visit_URL(i)

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对服务器之家的支持。如果你想了解更多相关内容请查看下面相关链接

原文链接：https://blog.csdn.net/qq_14998713/article/details/78607657

使用Python抓取豆瓣影评数据的方法

相关文章

热门资讯