概述:
爬取豆瓣影评数据步骤:
1、获取网页请求
2、解析获取的网页
3、提速数据
4、保存文件
源代码:
# 1、导入需要的库
import urllib.request
from bs4 import BeautifulSoup
# 随机数的库
import random
# 时间库
import time
# 表格库
import csv
# 2、分多个浏览器访问豆瓣网,防止访问多页时被拒绝
# 每个浏览器在请求数据的时候,请求头是不一样
# 计算机命名规则:驼峰命名法
# url:传值过来的访问地址
def getRequest(url):
# 谷歌浏览器
header1 = {
"Host":"",
"User-Agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36"
}
# 火狐浏览器
header2 = {
"Host": "",
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; rv:73.0) Gecko/0101 Firefox/73.0"
}
# 将浏览器装入列表里
list = [header1,header2]
# 随机取一个请求头 len(list)-1:列表长度-1
index = random.randint(0,len(list)-1)
# 随机用一个请求头,开始访问地址
req = urllib.request.Request(url=url,headers=list[index])
# 返回结果
return req
# 封装函数,爬取数据
def getData(url,commentAll):
# 获取处理后的请求
req = getRequest(url)
# 打开网址
html = urllib.request.urlopen(req)
# 读取数据(data得到所有数据)
data = html.read()
# 输出爬取到的所有数据,进制形式显示
# print(data)
# 定义soup对象,解析网页
soup = BeautifulSoup(data,"html.parser")
# 找到装有所有评论的id名为comments的div
# ["数据"] 数组里只有一个元素----数据
comments = soup.select("#comments")[0]
# print(comments)
# 读取到每一条评论,div的class名为comment-item
items = comments.select(".comment-item")
# print(items)
# 循环遍历每一条评论
for i in items:
# 找到装着用户名和星级的span标签,class名为comment-info
info = i.select(".comment-info")[0]
# print(info)
# 读出用户名的a标签里面的字符串用户名 []
# author = info.select("a")[0].string 数据在列表里
author = info.find("a").string
# print(author)
# 取星级,找到装着星级的span标签,读取title值
# ["看过",星级,时间]
star = info.select("span")[1]["title"]
# print(star)
# 取评论,找到class名为short的p标签
short = i.select(".short")[0].string
# print(short)
# 将 用户名、星级、评论 装入在字典里面
talk = {"author":author,"star":star,"short":short}
# print(talk)
# 将字典类型的数据,加到列表里面
commentAll.append(talk)
# 返回整个列表
return commentAll
# 封装函数,把数据装入表格中
def writeInto(commentAll):
# 打开表格 as从命名 file
# 参数1:表格名称
# 参数2:"a+"追加模式 "w"写入模式 "r"读取模式
# w:writer r:read a:append
# wb二进制,不带b就是文本
# 参数3:数据格式为utf-8
# 参数4:newline 新行,空行
with open("douban.csv","a+",encoding="utf-8",newline="") as file:
# 向表格写入数据
writer = csv.writer(file)
# 数据在commentAll列表,循环遍历列表,读取数据
for i in commentAll:
# 读取每一个字段 用户名、星级、评论
info = [i["author"],i["star"],i["short"]]
# 把数据写入表格
writer.writerow(info)
# 关闭表格
file.close()
# 函数的入口
# 直接输入main,有提示
if __name__ == '__main__':
# 初始化一个空列表,将得到的所有数据
commentAll = []
# range()产生序列 0.1.2,爬取3页
for i in range(0,3):
# 爬取的网页地址
# limit=20 每一页读取20条数据
# start = 80 从第几条读取数据 20-39 40-59 60-79 80-99
url = "/subject/25931446/comments?start=%d&limit=20&sort=new_score&status=P"%(i*20)
# 调用函数,爬取数据
getData(url,commentAll)
# 每爬取一个页面数据,休息10秒,防止被封号
time.sleep(10)
# 调用函数,爬取完数据,装入表格
writeInto(commentAll)
# 将表格用 记事本 打开,另存为ANSI格式
# 如果你要操作数据,还要转回utf-8
效果图:
作者