Python爬虫怎么爬取豆瓣影评

一、学习开始前需安装模块

pip install requests
pip install lxml
pip install pandas

二、讲解概要

利用requests+xpath爬取豆瓣影评------适合0基础同学学习

三、正式开始，竖起你的小眼睛

1.requests + xpath 爬取豆瓣影评
   （1）获取页面内容

# 爬取页面 url
douban_url = 'https://movie.douban.com/subject/26647117/comments?status=P'
# requests 发送请求
get_response = requests.get(douban_url)
# 将返回的响应码转换成文本（整个网页）
get_data = get_response.text
'''
到这里我们就已经获取了整个网页的内容，
可以‘算’是完成了爬虫
'''

    （2）分析页面内容，获取我们想要的内容

• 浏览器中打开我们要爬取的页面

• 按F12进入开发者工具，查看我们想要的数据在哪里

• 分析我们获取的 xpath值
  '/html/body/div[3]/div[1]/div/div[1]/div[4]/div[1]/div[2]/h4/span[2]/a'
  '/html/body/div[3]/div[1]/div/div[1]/div[4]/div[2]/div[2]/h4/span[2]/a'
  '/html/body/div[3]/div[1]/div/div[1]/div[4]/div[3]/div[2]/h4/span[2]/a'

• 通过观察我们发现,这几个xpath只有细微不同,上面加粗的部分已数加的格式改变，所以我们要爬取所有的 commentator（评论者），只需把xpath改为：
          '/html/body/div[3]/div[1]/div/div[1]/div[4]/div/div[2]/h4/span[2]/a'
  即不要后面的序号，当我们查询时，会自动捕获类似的xpath。

• 同样的分析，我们可以得到评论内容的xpath为：
  '/html/body/div[3]/div[1]/div/div[1]/div[4]/div/div[2]/p'

# （跟在上面代码后）解析页面，并输出获取内容
a = etree.HTML(get_data)
commentator = s.xpath('/html/body/div[3]/div[1]/div/div[1]/div[4]/div/div[2]/h4/span[2]/a/text()')
comment_content = a.xpath('/html/body/div[3]/div[1]/div/div[1]/div[4]/div/div[2]/p/text()')
# 解析获取内容，去除多余内容
for i in range(0,len(files)):
    print(commentator[i]+'说：')
    files[i].strip(r'\n')
    files[i].strip(' ')
    print(comment_content[i])

• 运行结果（一部分数据）

Oriol Paulo说： 'Wrath of silence' is quite different from the crime movies I've seen. It's a mix of genres. It's a crime movie,a mystery movie,an action movie,it's also a social realistic movie. Xin Yu Kun plays very well the mix of different genres in this film,and it has a powerful ending.

文文周说： 对于平均水准以上的年轻导演，应毫不吝啬予以鼓励，对于年龄一大把了还言之无物的导演，才要无情打击。

西楼尘说： 老板儿子吃真空羊肉，贪婪绞入碎肉机；屠夫儿子喝污染井水，正义只在电视屏。戳瞎左眼，被戳伤的同乡都能包庇；咬断舌头，被救助的律师却不敢发声。凭蛮力垒不成金字塔，靠假声变不成兔子妈。超人面具如同良心咒，送不回原主；寻子告示像是招魂符，在风里飘摇。真相埋进泥土，藏入山洞，终于再无人知。

#85说： 忻钰坤第二部作品不是一部秀操作的《心迷宫2.0》，要说风格像谁，都像也都不像：凝视山洞的库布里克单点透视、像科恩兄弟一样塑造的神经质杀手、《老男孩》一样的长廊Fight…不一样的是，不只是想告诉你凶手是谁，而是他的选择，以及像手术刀一样划开上层失态、中层失德、底层失语、人间失格的社会症结

一口吃掉小蛋糕说： 结尾太赞，配乐非常喜欢，如果能去掉字幕就好了。从姜武拿起烟灰缸的时候就猜到了结尾。只不过细思极恐，井水为什么越来越咸？为什么那么多人都水肿？村长是知道的，不然不会喝矿泉水。然而这个梗，最后却没有过多的交代

大大肉罐说： 上层伪善残暴，中层冷漠自私，下层失语无力。

武侠小王子说： 当年摩托罗拉的电量还是大大不如诺基亚。

劉瀟陽说： 仅仅是80%成片，已经精彩绝伦。中国类型片就该这么拍。良好的多线叙事控制力，深穴映射人性，爆炸增长的经济，暴裂难控的社会问题，男人无声的愤恨和伤痛，就像无法发声的底层人民。黑暗结尾，孩子没有寻回，真相没有昭显，这却是社会真相。有时恶人作恶，仅是为了与相同利益者变成真正的同盟。

木卫二说： 不断向下，堕入黑暗的那种片子，鞭挞了社会主要矛盾，且不负责提供解谜快感，所以看完会很沉，很堵。如果《心迷宫》还是手工时代的自发创作，《暴裂无声》明显是工业时代（卡司动作特效）的考量，三人较劲，律师一角太弱，宋洋战力太强，姜武模式化。优点和缺陷都比较明显。

巴伐利亞酒神说： 结局太他妈的屌了，看完在影院倒吸一口凉气。影射也很牛逼啊，1984的摩托牌照，一个底层屌丝的人设为哑巴（没有话语权），律师（代表中产和法律）和煤老板（代表权贵和黑恶势力）的相互勾结。所以即便张保民拥有《黄海》里绵正赫那样爆表的武力值，也只能沦为这个残酷社会的牺牲品。

凌睿说： 当你望着深渊的时候，深渊也在望着你。

frozenmoon说： 昌万年是食肉者，徐文杰是喝汤的，而张保民本人就是“肉”，原本他们在食物链的一个位置安之若素的扮演自己的角色，但意外冲垮了一切。失控之后，每个人都发现自己不过都是“肉”，昌摘下假发和西装，也得臣服于暴力和运气，徐走出金钱和言辞的保护也要面对残酷，张的代价或许更大。人性暴裂的闷响。

无耻不混蛋说： 影片最打动我的，不是那些显而易见、甚至昭然若揭的隐喻，而是整部影片的“失语”。我们属于“失语的一代”，对应片中，不仅仅只是表层的哑巴张保民的“生理性失语”，更是，精英阶层律师在片尾所选择的“主动性失语”。而影片对“失语”的精准展示，不仅敏感捕捉到了时代痛点，而且极为戳痛人心。

    （3）实现翻页，并把评论人和评论内容存入csv文件

• 翻页(1)
  和前面分析xpath不同，我们只要找出每页之间url的不同之处和规律即可。

  # start 属性表示开始位置
  turn_page1 = 'https://movie.douban.com/subject/26647117/comments?status=P'
  turn_page2 = 'https://movie.douban.com/subject/26647117/comments?start=20&limit=20&sort=new_score&status=P'
  turn_page3 = 'https://movie.douban.com/subject/26647117/comments?start=40&limit=20&sort=new_score&status=P'
  turn_page4 = 'https://movie.douban.com/subject/26647117/comments?start=60&limit=20&sort=new_score&status=P'
  

  观察发现，除了第一个，每个url就只有 start的值不同，而且每次增加20，上面已经说了start属性，通过观察我们也不难发现，每个页面只有20条评论，这个是由 limit这个属性控制的（小编已经试过，人为改动是没有用的，估计是豆瓣的反爬，但并不影响我们），我这里想说明的是这个start的值之所以会以20为增量，就是这个 limit 控制的。

• 翻页(2)

 # 获取评论总数
  comment_counts = a.xpath('/html/body/div[3]/div[1]/div/div[1]/div[1]/ul/li[1]/span/text()')
  comment_counts = int(comment_counts[0].strip("看过()"))
  # 计算出总的的页面数（每页有20条评论）
  page_counts = int(comment_counts/20)
  # 请求访问，并把爬取数据存入csv文件
  for i in range(0,page_counts):
     turn_page_url = 'https://movie.douban.com/subject/26647117/comments?start={}&limit=20&sort=new_score&status=P'.format(i*20)
     get_respones_data(turn_page_url)

在完成上面之前，我们肯定要把之前写的代码进行修改，让代码看起，我们可以把前面写的代码封装成一个函数get_respones_data()，传入一个访问url参数,获得返回的HTML。

代码大整改：

import requests
from lxml import etree
import pandas as pd
def get_respones_data(douban_url = 'https://movie.douban.com/subject/26647117/comments?status=P'):
      # requests 发送请求
      get_response = requests.get(douban_url)
      # 将返回的响应码转换成文本（整个网页）
      get_data = get_response.text
      # 解析页面
      a = etree.HTML(get_data)
      return a
  first_a = get_respones_data()
  # 翻页
  comment_counts = first_a.xpath('/html/body/div[3]/div[1]/div/div[1]/div[1]/ul/li[1]/span/text()')
  comment_counts = int(comment_counts[0].strip("看过()"))
  page_counts = int(comment_counts / 20)
 #小编已经测试过了，如果没有登入的话最多只能访问10个页面，也就是200条评论
 #下一期小编将教大家如何应对反爬
  for i in range(0, page_counts+1):
      turn_page_url = 'https://movie.douban.com/subject/26647117/comments?start={}&limit=20&sort=new_score&status=P'.format(
          i * 20)
      print(turn_page_url)
      a = get_respones_data(turn_page_url)
      # 获取评论人和评论内容
      commentator = a.xpath('/html/body/div[3]/div[1]/div/div[1]/div[4]/div/div[2]/h4/span[2]/a/text()')
      comment_content = a.xpath('/html/body/div[3]/div[1]/div/div[1]/div[4]/div/div[2]/p/text()')
      # 解析内容，并存入csv文件
      content = [' ' for i in range(0, len(commentator))]
      for i in range(0, len(commentator)):
          comment_content[i].strip(r'\n')
          comment_content[i].strip(' ')
          content_s = [commentator[i],comment_content[i]]
          content[i] = content_s
      name = ['评论人','评论内容']
      file_test = pd.DataFrame(columns=name, data=content)
      if i == 0:
          file_test.to_csv(r'H:\PyCoding\FlaskCoding\Test_all\test0609\app\comment_content.cvs',encoding='utf-8',index=False)
      else:
          file_test.to_csv(r'H:\PyCoding\FlaskCoding\Test_all\test0609\app\comment_content.cvs',mode='a+',encoding='utf-8',index=False)

四、来点进阶的（和爬虫无关）

新安装模块

1pip install jieba
2pip install re
3pip install csv
4pip install pyecharts
5pip install numpy

1. 解析数据
   

1    with codecs.open(r'H:\PyCoding\FlaskCoding\Test_all\test0609\app\comment_content.cvs', 'r', 'utf-8') as csvfile:
 2        content = ''
 3        reader = csv.reader(csvfile)
 4        i =0
 5        for file1 in reader:
 6            if i == 0 or i ==1:
 7                pass
 8            else:
 9                content =content + file1[1]
10            i = i +1
11        # 去除所有评论里多余的字符
12        content = re.sub('[,，。. \r\n]', '', content)

2.分析数据

# 切词，将整个评论分解成一个个的词语
1segment = jieba.lcut(content)
2words_df = pd.DataFrame({'segment': segment})
3# quoting=3 表示stopwords.txt里的内容全部不引用
4stopwords = pd.read_csv(r"H:\PyCoding\FlaskCoding\Test_all\test0609\app\stopwords.txt", index_col=False, quoting=3, sep="\t", names=['stopword'], encoding='utf-8')
5words_df = words_df[~words_df.segment.isin(stopwords.stopword)]
# 计算每个词语重复出现次数
6words_stat = words_df.groupby(by=['segment'])['segment'].agg({"计数": numpy.size})
7words_stat = words_stat.reset_index().sort_values(by=["计数"], ascending=False)

3.数据可视化

1test = words_stat.head(1000).values
# 获取所有词语
2words = [test[i][0] for i in range(0,len(test))]
# 获取词语对于的出现次数
3counts = [test[i][1] for i in range(0,len(test))]
4wordcloud = WordCloud(width=1300, height=620)
# 生成词云图
5wordcloud.add("爆裂无声", words, counts, word_size_range=[20, 100])
6wordcloud.render()