前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Python爬取猫眼「碟中谍」全部评论

Python爬取猫眼「碟中谍」全部评论

原创
作者头像
Awesome_Tang
修改2018-09-17 11:54:44
4020
修改2018-09-17 11:54:44
举报
文章被收录于专栏:FSociety

实现目标

  • 昨天晚上看完碟中谍后,有点小激动,然后就有了这片文章。
  • 我们将猫眼上碟中谍的全部评论保存下来,用于后期分析~
  • 总共评论3W条左右。

逻辑梳理

  • 猫眼PC网页只能查看热门评论,只有在手机端页面才能查看全部评论。我们用chrome手机模式打开碟中谍6的页面,然后找到了全部评论入口:
  • 当我们将评论页面向上拖,后台请求中变看到了我们想要的接口地址:http://m.maoyan.com/mmdb/comments/movie/341737.json?_v_=yes&offset=15&startTime=2018-09-02%2013%3A33%3A14
  • 请求地址中的参数: offset:偏移量 startTime查询起始时间 还有一个V不知道啥意思,不过没啥影响
  • 其实正常来说到这儿就差不多了,按照以往的套路循环传入offset参数就好了,不过当我爬到第67页的时候,就已经不返回值了,为啥是67,67$\times$15=1005,猫眼应该是控制了每个startTime只能往前取1000条评论,所以只能换个思路,将每页最早一条评论的时间作为startTime传入,offset固定15就好了。
  • 最后效果

代码部分

  • Talk is cheap. Show me the code.
代码语言:txt
复制
# -*- coding:utf-8 -*-
import requests
import json
from datetime import datetime
import time
from tqdm import tqdm
from random import random

class MaoYan():
	"""docstring for ClassName"""
	def __init__(self, movie_id):
		print '*******MaoYan_spider******'
		print 'Author :     Awesome_Tang'
		print 'Date   :       2018-09-01'
		print 'Version:        Python2.7'
		print '**************************\n'
		self.movie_id = movie_id
		self.starttime = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
		self.starturl = 'http://m.maoyan.com/mmdb/comments/movie/%s.json?_v_=yes&offset=0&startTime=%s'%(movie_id,self.starttime)
		self.headers = {'Mozilla/5.0 (iPhone; CPU iPhone OS 11_0 like Mac OS X) AppleWebKit/604.1.38 (KHTML, like Gecko) Version/11.0 Mobile/15A372 Safari/604.1'}
	
	def GetCommentNum(self):
		'''
		查询总评论数
		用于建立循环
		'''
		response = requests.get(self.starturl,headers = self.headers)
		text = response.json()
		num = text['total']
		print '>>>>查询时间:%s\n>>>>评论数量:%s'%(self.starttime,num)
		return num

	def FormatUrl(self,starttime):
		url = 'http://m.maoyan.com/mmdb/comments/movie/%s.json?_v_=yes&offset=30&startTime=%s'%(self.movie_id,starttime)
		return url

	def QueryComent(self,url):
		'''
		评论请求部分
		nickName:用户昵称
		cityName:城市
		content:评论内容
		score:用户评分🌟🌟
		startTime:评论时间,每次取最早的时间传入下次请求
		'''
		try:	
			response = requests.get(url, headers = self.headers, timeout = 5)
			if response.status_code == 200:
				attrs = ''
				comments = response.json()['cmts']
				for index in range(15):
					try:
						nickName = comments[index]['nickName']
						cityName = comments[index]['cityName']
						content = comments[index]['content']
						score = comments[index]['score']
						startTime = comments[index]['startTime']
						param = '%s|%s|%s|%s|%s\n'%(startTime,nickName,cityName,score,content)
						attrs = attrs+param
					except KeyError as e:
						attrs = ''		
				return attrs ,startTime, True
			else:
				print '>>>>查询过于频繁,请休息几分钟♨️♨️'
				return response.content.encode('utf-8'),'',False
		except BaseException as e:
			print '>>>>请检查网络...🔗🔗\n'
			print e.message
			return e.message,'',False

	def SaveComent(self):
		'''
		保存评论到txt文件
		如果请求成功保存,失败sleep100秒
		tqdm用于实现进度条
		'''
		num = self.GetCommentNum()
		pages = num/15
		with open('comment.txt','a+') as f:
			for i in tqdm(range(pages)):
				if i == 0:
					starttime = self.starttime
					url = self.FormatUrl(starttime)
					attrs,starttime,IsOk = self.QueryComent(url)
				else:
					url = self.FormatUrl(starttime)
					attrs,starttime,IsOk = self.QueryComent(url)
				if IsOk:
					f.write(attrs.encode('utf-8'))
				else:
					while True:
						time.sleep(100)
						attrs,starttime,IsOk = self.QueryComent(url)
						if IsOk:
							f.write(attrs.encode('utf-8'))
							break
						else:
							continue
			print '>>>>评论保存完毕...'



if __name__ == '__main__':
	p = MaoYan('341737')
	p.SaveComent()

最后

评论算保存完了,近期会再做一个关于此次数据的可视化分析。另外阿汤哥真心太帅了,全程打肾上腺素,各位还没去看的赶紧~

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 实现目标
  • 逻辑梳理
  • 代码部分
  • 最后
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档