爬虫，从基础到进阶（一）

爬虫，从基础到进阶（一）

一、学习开始前需安装模块

pip install requests

pip install lxml

pip install pandas

二、讲解概要

本期先带大家利用requests+xpath爬取豆瓣影评------适合0基础同学学习

(本来昨天是骑士对勇士的，想带大家爬取腾讯体育NBA专区话题的，可是腾讯反爬也厉害，等到下一期再教大家，毕竟从基础开始，就要简单点，哈哈哈。)

2.下一期，将带大家学习如何应对反爬

三、正式开始，竖起你的小眼睛

1.requests + xpath 爬取豆瓣影评

（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

'''

到这里我们就已经获取了整个网页的内容，

可以‘算’是完成了爬虫

'''

（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

foriinrange(,len(files)):

print(commentator[i]+'说：')

files[i].strip(r'\n')

files[i].strip(' ')

print(comment_content[i])

运行结果（一部分数据）

Oriol Paulo说： 'Wrath of silence' is quite different from the crime movies I've seen. It's a mix of genres. It's a crime movie,a mystery movie,an action movie,it's 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[].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

foriinrange(,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。

代码大整改：

importrequests

fromlxmlimportetree

importpandasaspd

defget_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)

returna

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[].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

foriinrange(, 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 = [' 'foriinrange(, len(commentator))]

foriinrange(, 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)

ifi ==:

file_test.to_csv(r'H:\PyCoding\FlaskCoding\Test_all\test0609\app\comment_content.cvs',encoding='utf-8',index=False)

else:

file_test.to_csv(r'H:\PyCoding\FlaskCoding\Test_all\test0609\app\comment_content.cvs',mode='a+',encoding='utf-8',index=False)

四、来点进阶的（和爬虫无关）

新安装模块

1pipinstalljieba

2pipinstallre

3pipinstallcsv

4pipinstallpyecharts

5pipinstallnumpy

解析数据

1withcodecs.open(r'H:\PyCoding\FlaskCoding\Test_all\test0609\app\comment_content.cvs','r','utf-8')ascsvfile:

2content =''

3reader = csv.reader(csvfile)

4i =

5forfile1inreader:

6ifi ==ori ==1:

7pass

8else:

9content =content + file1[1]

10i = i +1

11# 去除所有评论里多余的字符

12content = 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

1segment= jieba.lcut(content)

2words_df= pd.DataFrame({'segment': segment})

3# quoting=3 表示stopwords.txt里的内容全部不引用

4stopwords= 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')

5words_df= words_df[~words_df.segment.isin(stopwords.stopword)]

# 计算每个词语重复出现次数

6words_stat= words_df.groupby(by=['segment'])['segment'].agg({"计数": numpy.size})

7words_stat= words_stat.reset_index().sort_values(by=["计数"], ascending=False)

3.数据可视化

1test = words_stat.head(1000).values

# 获取所有词语

2words = [test[i][] for i in range(0,len(test))]

# 获取词语对于的出现次数

3counts = [test[i][1] for i in range(0,len(test))]

4wordcloud = WordCloud(width=1300, height=620)

# 生成词云图

5wordcloud.add("爆裂无声", words, counts, word_size_range=[20, 100])

6wordcloud.render()

4.显示效果

可以看出来，大家非常喜欢导演，哈哈哈哈~数据只爬了10页，等下一期给大家讲解反爬虫之后，爬取全部内容，就能获取更准确的数据啦。

希望大家评论支持，大二学生很迷茫。

暑假将为大家整理分享大约1000多g的经典学习资源

（包括：javaweb/python/html/css/js/node/veu/实用软件等）

欢迎关注微信：极简XksA

人生正的很艰难，继续要努力！