python爬虫-静态爬取豆瓣评论

Posted 2021-02-18 xiaoxiaosen

from bs4 import BeautifulSoup
import requests
import pandas as pd

header = {
\'Referer\': \'https://movie.douban.com/subject/33420285/comments?status=P\',
\'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36\'
}
reviewers = []
dates = []
shot_comments = []
votes = []
for i in range(0,100,20):
    url=f\'https://movie.douban.com/subject/33420285/comments?start={i}&limit=20&sort=new_score&status=P\'
    request = requests.get(url,headers=header)
    html = request.content.decode(\'utf-8\')

    dom = BeautifulSoup(html,\'lxml\')

    reviewers = reviewers + [i.getText() for i in dom.select(\'#comments > div > div.comment > h3 > span.comment-info > a\')]
    dates = dates + [i.getText() for i in dom.select(\'#comments > div > div.comment > h3 > span.comment-info > span.comment-time\')]
    shot_comments = shot_comments + [i.getText() for i in dom.select(\'#comments > div > div.comment > p > span\')]
    votes = votes+ [i.getText() for i in dom.select(\'#comments > div > div.comment > h3 > span.comment-vote > span\')]

short = pd.DataFrame({
    \'时间\':dates,\'评论者\':reviewers,\'留言\':shot_comments,\'票数\':votes
})
short.to_excel(\'./short.xlsx\')

分析：

我们写代码的步骤是第一步：判断是否设置反爬机制，第二步：先爬取整个网页，第三步：再提取想要的内容，第四步：最后保存到本地。明白了我们要做什么再一步一步的去做

step1：判断是否设置反爬

import requests

url = "https://movie.douban.com/subject/33420285/comments?status=P"
request = requests.get(url)

print(request.status_code)

requests.get（url，params = None，headers = None，cookies = None，auth = None，timeout =无）发送GET请求。 返回Response对象，其存储了服务器响应的内容。

打印出响应的状态码，如果为418则是设置了反爬机制，如果是200，就ok。

 

 可以看到状态码为418，那么就需要绕过反爬，设置head

 将request headers中的User-Agent加上

import requests

url = "https://movie.douban.com/subject/33420285/comments?status=P"

headers = {
\'Referer\': \'https://movie.douban.com/subject/33420285/comments?status=P\',
\'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36\'
}

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

print(request.status_code)

 

此时状态码就为200了，进行下一步

 

step2：抓取页面内容

import requests


url = "https://movie.douban.com/subject/33420285/comments?status=P"

headers = {
\'Referer\': \'https://movie.douban.com/subject/33420285/comments?status=P\',
\'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36\'
}

request = requests.get(url,headers=headers)
html = request.content.decode(\'utf-8\')

html = request.content.decode(\'utf-8\')表示将网页的html内容解码出来，右键查看源码可以看到编码格式

 

 可以print(html)，也可以在python console中查看爬取的网页源码

 

 

切换到python console运行的方法为：

选择菜单栏

然后勾选

 

 

 

 step3：提取有效内容

 

 F12，选择要爬取的内容，然后右键copy，得到内容为

 #comments > div:nth-child(1) > div.comment > h3 > span.comment-info > a  指明要爬取的内容处于html结构中的哪个位置

from bs4 import BeautifulSoup   #好找到提取文本对象的工具
import requests


url = "https://movie.douban.com/subject/33420285/comments?status=P"

headers = {
\'Referer\': \'https://movie.douban.com/subject/33420285/comments?status=P\',
\'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36\'
}

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


html = request.content.decode(\'utf-8\')

dom = BeautifulSoup(html , \'lxml\') #将html类型的内容转换为文档类型

reviewers =[i.getText() for i in dom.select(\'#comments > div > div.comment > h3 > span.comment-info > a\')]  #使用一个循环，循环dom.select列表中的每一个元素i，并用getText()提取出文本  评论者id
dates = [i.getText() for i in dom.select(\'#comments > div > div.comment > h3 > span.comment-info > span.comment-time\')] #评论日期
shot_comments = [i.getText() for i in dom.select(\'#comments > div > div.comment > p > span\')]   #shift+alt+e 评论
votes = [i.getText() for i in dom.select(\'#comments > div > div.comment > h3 > span.comment-vote > span\')] #投票数

#comments > div:nth-child(1) > div.comment > h3 > span.comment-info > a  
#comments > div:nth-child(2) > div.comment > h3 > span.comment-info > a   可以看到不同位置上的id是不同的，所以这里将:nth-child()这一块删除掉就会显示所有评论者的id了

dom.selec()将指定位置处的内容转换为文档类型，使用了一个i.getText() for i in 循环，表示将dom.select得到的列表中的每一个元素都经过getText()处理。getText()代表将获取的列表提取出其中的文本，不要html等结构。

此时可以看到我们想要的单独的数据

 

 shift+alt+e 选中区域可以单独运行选中的代码

 

但是现在只有第一页的数据，要怎么样才能爬取很多页的数据呢？就要用到循环

每一页的操作都是一样的，唯一不同的就是url，每一页的不同

第一页：https://movie.douban.com/subject/33420285/comments?start=0&limit=20&sort=new_score&status=P

第二页：https://movie.douban.com/subject/33420285/comments?start=20&limit=20&sort=new_score&status=P

第三页：https://movie.douban.com/subject/33420285/comments?start=40&limit=20&sort=new_score&status=P

可以看到是start值发生了变化，那么我们就可以改变start的值来循环

from bs4 import BeautifulSoup  
import requests


url1 = "https://movie.douban.com/subject/33420285/comments?status=P"

headers = {
\'Referer\': \'https://movie.douban.com/subject/33420285/comments?status=P\',
\'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36\'
}

for i in range(0,100,20):
    url = f\'https://movie.douban.com/subject/33420285/comments?start={i}&limit=20&sort=new_score&status=P\'
    request = requests.get(url,headers=headers)

    html = request.content.decode(\'utf-8\')  

    dom = BeautifulSoup(html , \'lxml\') 
    reviewers = reviewers +[i.getText() for i in dom.select(\'#comments > div > div.comment > h3 > span.comment-info > a\')]  
    dates = dates+[i.getText() for i in dom.select(\'#comments > div > div.comment > h3 > span.comment-info > span.comment-time\')] 
    shot_comments = shot_comments+[i.getText() for i in dom.select(\'#comments > div > div.comment > p > span\')]  
    votes = votes+[i.getText() for i in dom.select(\'#comments > div > div.comment > h3 > span.comment-vote > span\')] 

将start的值设为参数i，参与循环从0到100，步数20，也就是0、20、40、60、80、100，循环6次。

以下的内容都要缩进到for循环中。

要注意的一点是，都要加上reviewers+ 、dates+ 、shot_comments+ 、votes+ ，因为如果不加的话，光是

reviewers = [i.getText() for i in dom.select(\'#comments > div > div.comment > h3 > span.comment-info > a\')]  

那么第二次循环就会覆盖掉前一次获取到的reviewers值，第三次循环又会覆盖掉第二次循环的值。。。所以加上reviewers表示追加，就不会覆盖掉内容了

 

 

step4：保存到本地，在代码最后加上

import pandas as pd
short = pd.DataFrame({
    \'时间\':dates,\'评论者\':reviewers,\'留言\':shot_comments,\'票数\':votes
})
short.to_excel(\'./short.xlsx\')

 

 

运行完整代码，如果提示

 

 

那么就在循环前先定义一下，reviewers = []