一、爬取豆瓣影评

基本思路：先获取每个电影的评论区链接，然后依次进入其评论区爬取评论。选取10部电影，每部200条评论。

用到的包为：BeautifulSoup，urllib

这里选取的链接为：豆瓣电影，打开后内容如下：

直接审查元素，找到每部电影的标签位置，如下图：

因此，找到此标签的代码为：

lists = bsobj.find('ul', {'class': 'lists'}).findAll('li', {'class': 'list-item'})

其中bsobj是该网页的bs对象。

接下来我们需要找到这部电影短评的链接，如下：

/subject/26985127/comments?status=P

这是短评首页，翻页观察其变化：

/subject/26985127/comments?start=20&limit=20&sort=new_score&status=P（第2页）

/subject/26985127/comments?start=40&limit=20&sort=new_score&status=P（第3页）

唯一变化的是start后的数字，一页有20条评论，subject后的数字是电影的id号，只要获取电影的id号，就可构造它的短评网页的url。

评论区的位置：

获取评论区标签的代码为：

comments=reviewBSobj.findAll('div',{'class':'comment-item'})

由于之后要对评论进行朴素贝叶斯，所以要给评论打上标签 。这里方便起见，对评分三星以上的为积极，标记为0，二星以下为消极，标记为1。

评分位置如图：

allstar后的数字30表示三星，爬取代码如下：

star=comment.find('span',{'class':pile(r'^allstar(.*?)')})

这里用到了正则表达式。另外，有的评论没有星级评分，打不了标签，因而直接丢弃。

if star is None:continue

if int(star['class'][0][7])>2:target=0else:target=1

target是标签，取值0或1。

在保存之前，先对数据进行简单的清洗：去掉标点符号以及特殊符号，只保留汉字。

content=comment.p.get_text().strip()pattern = pile(r'[\u4e00-\u9fa5]+')filterdata = re.findall(pattern, content)cleaned_comments = ''.join(filterdata)

content是评论的内容，pattern是正则表达式，cleaned_comments是清洗完的数据。

f = open('review.txt', 'w', encoding='utf-8')

数据保存在review.txt文件中。

1、代码解析

getbs4函数：返回bs对象

def getbs4(url):''':param url:网址:return: 返回BeautifulSoup对象'''try:html=urlopen(url)bsobj=BeautifulSoup(html,'html.parser')html.close()except (HTTPError,URLError):return Nonereturn bsobj

getFilmList函数：返回电影id列表

def getFilmList(url):''':param url:网址:return: 返回电影id的列表'''bsobj = getbs4(url)if bsobj == None: returnlists = bsobj.find('ul', {'class': 'lists'}).findAll('li', {'class': 'list-item'})return lists

getReview函数：爬取影评的主函数

def getReview(url,n):''':param n:需要爬取的爬取页数:return:爬取影评'''lists = getFilmList(url)print('电影总数：'+str(len(lists)))f = open('review.txt', 'w', encoding='utf-8')for i in range(1):print('开始爬取第%d电影，电影名为%s'%(i+1,lists[i]['data-title']))reviewUrl='/subject/'+lists[i]['id']+'/comments?status=P'text=[]for j in range(n):reviewBSobj = getbs4(reviewUrl)if reviewBSobj == None: returncomments=reviewBSobj.findAll('div',{'class':'comment-item'})print('-----第%d页-----' % (j+1))for comment in comments:star=comment.find('span',{'class':pile(r'^allstar(.*?)')})if star is None:continueprint(star)if int(star['class'][0][7])>2:target=0else:target=1content=comment.p.get_text().strip()pattern = pile(r'[\u4e00-\u9fa5]+')filterdata = re.findall(pattern, content)cleaned_comments = ''.join(filterdata)text.append(str(target)+' '+cleaned_comments+'\n')print('-------------')reviewUrl='/subject/'+lists[i]['id']+'/comments?start='+str(20*j+20)+'&limit=20&sort=new_score&status=P'f.writelines(text)f.close()