【爬虫实战】用python爬豆瓣电影《热烈》短评

一袖清风

目录

• 一、爬虫对象-豆瓣电影短评
  
• 二、爬取结果
  
• 三、爬虫代码讲解
  
• 三、演示视频
  
• 四、获取完整源码
  

一、爬虫对象-豆瓣电影短评

您好！我是@马哥python说，一名10年程序猿。
今天分享一期爬虫案例，爬取的目标是：豆瓣上任意一部电影的短评（注意：是短评，不是影评！），以《热烈》这部电影为例：

爬取以上6个关键字段，含：

页码, 评论者昵称, 评论星级, 评论时间, 评论者IP属地, 有用数, 评论内容。

二、爬取结果

爬取结果截图：

三、爬虫代码讲解

首先，导入需要用到的库：

1. import requests
2. from bs4 import BeautifulSoup
3. import pandas as pd
4. import os
5. import random
6. from time import sleep

复制代码

定义一个请求头：

1. # 请求头
2. h1 = {
3.         'Cookie': '换成自己的cookie',
4.         'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
5.         'Accept-Encoding': 'gzip, deflate',
6.         'Host': 'movie.douban.com',
7.         'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/15.4 Safari/605.1.15',
8.         'Accept-Language': 'zh-CN,zh-Hans;q=0.9',
9.         'Referer': 'https://movie.douban.com/subject/35267224/?from=showing',
10.         'Connection': 'keep-alive'
11. }

复制代码

定义请求地址：（规律是：第1页start是0，第2页start是20，第3页start是40，所以总结出：start=(page-1)*20）

1. # 请求地址
2. url = 'https://movie.douban.com/subject/{}/comments?start={}&limit=20&status=P&sort=new_score'.format(v_movie_id, (page - 1) * 20)

复制代码

用requests发送请求：

1. # 发送请求
2. response = requests.get(url, headers=h1, verify=False)

复制代码

用BeautifulSoup解析页面数据：

1. # 解析页面数据
2. soup = BeautifulSoup(response.text, 'html.parser')

复制代码

定义一些空列表，用于存放数据：

1. user_name_list = []  # 评论者昵称
2. star_list = []  # 评论星级
3. time_list = []  # 评论时间
4. ip_list = []  # 评论者ip属地
5. vote_list = []  # 有用数
6. content_list = []  # 评论内容

复制代码

以"评论内容"字段为例：

1. for review in reviews:
2.         # 评论内容
3.         content = review.find('span', {'class': 'short'}).text
4.         content = content.replace(',', '，').replace(' ', '').replace('\n', '').replace('\t', '').replace('\r', '')
5.         content_list.append(content)

复制代码

把所有字段存放的列表数据组成Dataframe格式：

1. df = pd.DataFrame(
2.         {
3.                 '页码': page,
4.                 '评论者昵称': user_name_list,
5.                 '评论星级': star_list,
6.                 '评论时间': time_list,
7.                 '评论者IP属地': ip_list,
8.                 '有用数': vote_list,
9.                 '评论内容': content_list,
10.         }
11. )

复制代码

进一步保存到csv文件里：

1. # 保存到csv
2. df.to_csv(result_file, mode='a+', header=header, index=False, encoding='utf_8_sig')
3. print('文件保存成功：', result_file)

复制代码

以上，核心逻辑讲解完毕。
代码中还含有：转换星级函数、自动翻页、文本清洗等功能，详见文末完整源码。
最后需要说明的是，豆瓣短评页面上最多只能看到30页，再往后翻页面一直显示载入中，所以该代码最多只能爬取30页短评。

三、演示视频

演示视频：
四、获取完整源码

爱学习的小伙伴，本次分析过程的完整python源码及结果数据，我已打包好，并上传至我的微信公众号"老男孩的平凡之路"，后台回复"爬豆瓣短评"即可获取。
点此直达：【爬虫实战】用python爬豆瓣电影《热烈》短评
我是@马哥python说，一名10年程序猿，持续分享python干货中！

来源:https://www.cnblogs.com/mashukui/p/douban_movie_comment_spider.html
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！