python爬虫爬取豆瓣影评返回403怎么办,代理IP和cookie都设置了

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了python爬虫爬取豆瓣影评返回403怎么办,代理IP和cookie都设置了相关的知识,希望对你有一定的参考价值。

如果只是爬取影评的话,没必要登录。
返回的304是你的cookie用的是旧的。
去掉cookie,正常抓取就可以了。
参考技术A 使用618动态爬虫就可以,电信ADSL每次拨号就会更换一个IP,可以按这个思路去做。
可以根据爬虫对象的限制策略,写个程序进行定时定量自动重拨就可以。

#私藏项目实操分享#Python爬虫实战,requests+xpath模块,Python实现爬取豆瓣影评

前言

利用利用requests+xpath爬取豆瓣影评,废话不多说。

让我们愉快地开始吧~

开发工具

Python版本:3.6.4

相关模块:

requests模块;

jieba模块;

pandas模块

numpy模块

pyecharts模块;

以及一些Python自带的模块。

环境搭建

安装Python并添加到环境变量,pip安装需要的相关模块即可。

前期准备

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

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
  • 这里我们只要 评论人+评论内

  • 分析我们获取的 xpath值
/html/body/div[3]/div[1]/div/div[1]/div[4]/**div[1]** /div[2]/h3/span[2]/a
/html/body/div[3]/div[1]/div/div[1]/div[4]/**div[2]** /div[2]/h3/span[2]/a
/html/body/div[3]/div[1]/div/div[1]/div[4]/**div[3]** /div[2]/h3/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]/h3/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]/h3/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

Oriol Paulo说: Wrath of silence is quite different from the crime movies Ive seen. Its a mix of genres. Its a crime movie,a mystery movie,an action movie,its 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。

代码实现

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]/h3/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(rH:\\PyCoding\\FlaskCoding\\Test_all\\test0609\\app\\comment_content.cvs,encoding=utf-8,index=False)\\
     else:\\
         file_test.to_csv(rH:\\PyCoding\\FlaskCoding\\Test_all\\test0609\\app\\comment_content.cvs,mode=a+,encoding=utf-8,index=False)

数据可视化

安装新模块

pip install jieba\\
pip install re\\
pip install csv\\
pip install pyecharts\\
pip install numpy

1解析数据

1    with codecs.open(rH:\\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\\
segment = jieba.lcut(content)\\
words_df = pd.DataFrame(segment: segment)\\
# quoting=3 表示stopwords.txt里的内容全部不引用\\
stopwords = 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)\\
words_df = words_df[~words_df.segment.isin(stopwords.stopword)]\\
# 计算每个词语重复出现次数\\
words_stat = words_df.groupby(by=[segment])[segment].agg("计数": numpy.size)\\
words_stat = words_stat.reset_index().sort_values(by=["计数"], ascending=False)

3数据可视化

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

效果展示

以上是关于python爬虫爬取豆瓣影评返回403怎么办,代理IP和cookie都设置了的主要内容,如果未能解决你的问题,请参考以下文章

#私藏项目实操分享#Python爬虫实战,requests+xpath模块,Python实现爬取豆瓣影评

Python3.6+jieba+wordcloud 爬取豆瓣影评生成词云

爬虫---豆瓣网评论内容

爬取豆瓣网影评数据并进行简单分析与展示

Python爬虫采集遇到403问题怎么办?

豆瓣为啥用python?