电影知识图谱问答（一）|爬取豆瓣电影与书籍详细信息

小一

发布于 2019-08-14 16:00:40

1.6K0

发布于 2019-08-14 16:00:40

最近在做关于知识图谱方面的实验，需要一些数据，于是爬取了豆瓣上关于电影和书籍的信息。两天时间内共爬取20W+条数据，包括电影信息、电影演员信息、书籍信息、书籍作者信息，GitHub链接为https://github.com/weizhixiaoyi/DouBan-Spider。

1. 数据说明

电影信息包括电影id、图片链接、名称、导演名称、编剧名称、主演名称、类型、制片国家、语言、上映日期、片长、季数、集数、其他名称、剧情简介、评分、评分人数，共67245条数据信息。虽说是电影信息，但其中也包括电视剧、综艺、动漫、纪录片、短片。
电影演员信息包括演员id、姓名、图片链接、性别、星座、出生日期、出生地、职业、更多中文名、更多外文名、家庭成员、简介，共89592条数据信息。这里所指的演员包括电影演员、编剧、导演。
书籍信息包括书籍id、图片链接、姓名、子标题、原作名称、作者、译者、出版社、出版年份、页数、价格、内容简介、目录简介、评分、评分人数，共64321条数据信息。
书籍作者信息包括作者id，姓名、图片链接、性别、出生日期、国家、更多中文名、更多外文名、简介，共6231条数据信息。这里作者包括书籍作者和译者。

2. 配制环境

系统环境：ubuntu 18.04
python环境：python3.6
python依赖包：requests, bs4, redis, yaml, multiprocessing

3. 爬虫思路

3.1电影爬虫

进入电影分类界面后，找到开发者工具，找到NetWork->XHR，我们能够看到Request URL为https://movie.douban.com/j/new_search_subjects?sort=U&range=0,10&tags=&start=0&genres=剧情。

打开上述Request URL，能够看到一系列电影信息，我们只需要拿到其中的id即可。为了确保不重复爬取相同的电影，每拿到一个id之后，都存到redis已爬取队列之中。如果下次再遇到相同的id，则跳过不进行爬取。

另外，再次观察上面URL，发现只要改变start和genres，便能够拿到所有电影id。

以新喜剧之王id 4840388为例，拼接https://movie.douban.com/subject后得到Movie URL为https://movie.douban.com/subject/4840388。请求Movie URL，便能得到电影信息。

通过BeautifulSoup选取相应标签，便能够拿到电影id、图片链接、名称、导演名称、编剧名称、主演名称、类型、制片国家、语言、上映日期、片长、季数、集数、其他名称、剧情简介、评分、评分人数信息。

爬取电影信息结束之后，将演员id单独进行提取出来。同样为了保证不重复爬取，每得到一个演员id，都存放到redis已爬取队列之中。

以张全蛋id /celberity/1350283为例，拼接https://movie.douban.com，便能得到演员URF为https://movie.douban.com/celebrity/1350283/。然后请求演员URL，利用BeautifulSoup选取相应标签，便能拿到演员id、姓名、图片链接、性别、星座、出生日期、出生地、职业、更多中文名、更多外文名、家庭成员、简介信息。

总结一下，获取电影信息和电影演员信息流程为

获取https://movie.douban.com/tag/#/界面所有电影类别genres，循环电影类别genres。
请求https://movie.douban.com/j/new_search_subjects?sort=U&range=0,10&tags=&start=0&genres=剧情网址，每次返回20个电影id。如果返回为空，更换电影类别genres。
对返回的20个电影id存放到redis已爬取队列之中，返回去重后的电影id list。
多线程爬取电影id list之中的电影信息。
获取电影演员id，存到到redis已爬取队列之中，返回去重后的演员id list。
多线程爬取演员id list之中的电影信息。
start加20循环2-7步骤。

3.2 书籍爬虫

进入豆瓣图书标签页面，请求https://book.douban.com/tag/?view=type&icn=index-sorttags-all，利用BeautifulSoup得到所有图书标签。

以小说标签为例，URL为https://book.douban.com/tag/小说?start=0&type=T，请求URL之后，利用BeautifulSoup选取相应标签，便能够拿到当前页面所有书籍id。为了确保不重复爬取相同的书籍，每拿到一个id之后，都存到redis已爬取队列之中。如果下次再遇到相同的id，则跳过不进行爬取。

同样，观察上述URL，我们只需要通过遍历start和tag便能够拿到所有书籍id。

以解忧杂货店id 25862578为例，拼接https://book.douban.com/subject/后便能得到书籍URL为https://book.douban.com/subject/25862578/。然后请求书籍URL页面，通过BeautifulSoup选取相应标签，便能够拿到书籍id、图片链接、姓名、子标题、原作名称、作者、译者、出版社、出版年份、页数、价格、内容简介、目录简介、评分、评分人数信息。

爬取书籍信息结束之中，将作者id单独提取出来。同样为了保证不重复爬取，每得到一个作者id，都存放到redis已爬取队列之中。

以东野圭吾为例，获取作者id 4537266，拼接https://book.douban.com/author/之后，便能得到作者URL为https://book.douban.com/author/4537266/。然后请求作者URL，利用BeautifulSoup选取相应标签，便能拿到作者id，姓名、图片链接、性别、出生日期、国家、更多中文名、更多外文名、简介信息。

总结一下，获取书籍信息和书籍作者流程为

请求https://book.douban.com/tag/?view=type&icn=index-sorttags-all界面，利用BeautifulSoup获取图书所有标签。
请求https://book.douban.com/tag/小说?start=0&type=T，利用BeautifulSoup获取20个书籍ID。如果为空，则更换书籍标签tag。
对返回的20个书籍id存放到redis已爬取队列之中，返回去重后的书籍id list。
多线程爬取书籍id list之中的书籍信息。
获取书籍作者id，存放到redis已爬取队列之中，返回去重后的作者id list。
多线程爬取演员id list之中的作者信息。
start加20循环2-7步骤。

4. 使用教程

├── book
│   ├── __init__.py
│   ├── book_crawl.py
│   ├── book_page_parse.py
│   ├── book_person_page_parse.py
│   └── book_spider_config.yaml
├── log
│   ├── book_log_config.yaml
│   └── movie_log_config.yaml
├── movie
│   ├── __init__.py
│   ├── movie_crawl.py
│   ├── movie_page_parse.py
│   ├── movie_person_page_parse.py
│   └── movie_spider_config.yaml
└── proxy
    ├── get_ip.py
    ├── ip_list.txt
    └── ua_list.txt

爬取之前，需要先启动redis server，然后再配置proxy中的getip。爬取过程中为了省事，我用的是收费的ip代理池，蘑菇代理，每三分钟请求10个ip。如果你要使用的话，可以找一些免费的ip代理工具，成功之后，将有效ip写入到iplist之中即可。方便一点的话，可以直接购买ip代理池，同样成功后将ip写入到ip_list即可。

moviespiderconfig.yaml和bookspiderconfig用于配制一些爬虫信息，比如超时时间和redis信息。

movielogconfig.yaml和booklogconfig.yaml用于配制log信息，比如log地址和写文件格式信息。

如果你想爬取一些电影或书籍的其他信息，比如电影评论等，可以根据需求更改moviepageparse, moviepersonpageparse, bookpageparse, bookpersonpageparse的代码。

最后，配置好redis和ip代理池之后，分别启动moviecrawl和bookcrawl即可。