Python 3.6 爬虫爬取豆瓣《孤芳不自赏》短评
2017-10-25 22:54
477 查看
使用Python 3.6 进行对《孤芳不自赏》这部作品的短评爬取
这部作品短评在豆瓣中的URL为:https://movie.douban.com/subject/26608228/comments?start=0&limit=20
点击这个连接我们可以进入该作品短评页面
这里还没有登录豆瓣。登录豆瓣之后,才能爬取更多的页面。
因此我们选择登录,最快捷省时的办法,就是在登录时使用F12进行查看cookies。
把cookies记下来,可以保持登录状态。
然后开始找需要的信息。
页面有很多信息,我们大概需要
短评用户的id、评分、日期、赞同数和内容等等。
建立一个类似这样的正则表达式进行匹配:
然后开始写爬虫
从MySQL中建立一个相关的表,进行数据的存储
最后运行爬虫,能获取到我们需要的信息
直观了解爬下来的数据
为了更好地了解爬下来的数据,以及了解这样的一部作品,需要对爬下来的数据进行粗略的分析。
短评获取到的数据是中文,可以对内容进行分词,查看每个词出现的频率。
用词云进行体现,可以知道这部作品的口碑:
这大概就达到了要求,得到了结果。
这部作品短评在豆瓣中的URL为:https://movie.douban.com/subject/26608228/comments?start=0&limit=20
点击这个连接我们可以进入该作品短评页面
这里还没有登录豆瓣。登录豆瓣之后,才能爬取更多的页面。
因此我们选择登录,最快捷省时的办法,就是在登录时使用F12进行查看cookies。
把cookies记下来,可以保持登录状态。
然后开始找需要的信息。
页面有很多信息,我们大概需要
短评用户的id、评分、日期、赞同数和内容等等。
建立一个类似这样的正则表达式进行匹配:
get_id = re.findall(r'<a.+people.+">(.+)</a>', html) get_stars = re.findall(r'<span class="allstar(.+) rating" title=".+"></span>', html) get_eval = re.findall(r'<span class=".+" title="(.+)"></span>', html) get_comments = re.findall(r'<p class="">(.+)', html) get_votes = re.findall(r'<span class="votes">(.+)</span>', html) get_date = re.findall(r'201[0-9]-[0-9]+-[0-9]+', html, re.S)
然后开始写爬虫
# 《孤芳不自赏》,爬取豆瓣影评 import requests import re import pymysql import time def get_comment_info(html): get_id = re.findall(r'<a.+people.+">(.+)</a>', html) get_stars = re.findall(r'<span class="allstar(.+) rating" title=".+"></span>', html) get_eval = re.findall(r'<span class=".+" title="(.+)"></span>', html) get_comments = re.findall(r'<p class="">(.+)', html) get_votes = re.findall(r'<span class="votes">(.+)</span>', html) get_date = re.findall(r'201[0-9]-[0-9]+-[0-9]+', html, re.S) n_page = re.findall(r'<a href="\?start=(\d+)&.+".+>', html) db = pymysql.connect("localhost", "root", "5307", "douban_data", charset='utf8') cursor = db.cursor() if get_id: for i in range(0, 19): sql = """INSERT INTO movies_comments (id, stars, eval, comment_info, votes, date) VALUES(%s,%s,%s,%s,%s,%s)""" try: cursor.execute(sql, (get_id[i], get_stars[i], get_eval[i], get_comments[i], get_votes[i], get_date[i])) db.commit() except Exception as e: db.rollback() continue i += 1 db.close() return n_page if __name__ == '__main__': # login douban.com headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36' } cookies = { 'cookie': '使用你的cookies' } each = 25360 while 1: url = 'https://movie.douban.com/subject/26608228/comments?start=' + str( each) + '&limit=20&sort=new_score&status=P' url_info = requests.get(url, cookies=cookies, headers=headers) print("正在抓取评论,从第" + str(each) + "条开始") next_page = get_comment_info(url_info.text) time.sleep(10) each = next_page[-1]
从MySQL中建立一个相关的表,进行数据的存储
最后运行爬虫,能获取到我们需要的信息
直观了解爬下来的数据
为了更好地了解爬下来的数据,以及了解这样的一部作品,需要对爬下来的数据进行粗略的分析。
短评获取到的数据是中文,可以对内容进行分词,查看每个词出现的频率。
用词云进行体现,可以知道这部作品的口碑:
这大概就达到了要求,得到了结果。
相关文章推荐
- 爬虫入门:python+pycharm,豆瓣电影信息,短评,分页爬取,mysql数据库连接
- Python爬虫(入门+进阶)学习笔记 1-4 使用Xpath解析豆瓣短评
- 爬虫笔记-使用python爬取豆瓣短评
- 【Python3.6爬虫学习记录】(三)简单的爬虫实践-豆瓣《河神》演员图片及姓名
- python爬虫,爬取豆瓣电影《芳华》电影短评,分词生成云图。
- Python爬虫(入门+进阶)学习笔记 1-5 使用pandas保存豆瓣短评数据
- Python爬虫(入门+进阶)学习笔记 1-3 使用Requests爬取豆瓣短评
- 【学习笔记】Python爬虫-豆瓣电影所有短评
- Python3.6爬虫爬取豆瓣电影Top250信息
- Python实例:网络爬虫抓取豆瓣3万本书(7)
- Java豆瓣电影爬虫——使用Word2Vec分析电影短评数据
- python爬虫实战:分析豆瓣中最新电影的影评
- python 爬虫实战(一)爬取豆瓣图书top250
- python爬虫知识点三--解析豆瓣top250数据
- Python3.6爬虫报错处理bs4.FeatureNotFound: Couldn't find a tree builder wi
- 【Python3.6爬虫学习记录】(九)模拟登陆QQ空间爬取好友所有留言并制作词云
- python3.6爬虫总结-01
- python3.6 简单爬虫爬取天气,flask在线查询接口制作
- Python爬虫实例:用requests重构豆瓣热播电影爬虫
- Python—爬虫—简单爬取豆瓣电影