python电影评论

1电影评论首先得对网页进行访问，然后才能查看相关评论，因此，我们得先下载用于访问网页的requests库。因为这些库都是放在国外的，所以我们使用国内的镜像源提高下载速度，这里用的是清华的镜像。然后管理员模式打开命令行输入
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple requests
2接着便是要下载lxml库，lxml中的etree可以帮助我们将获取的网页内容整理成一个节点树，方便我们使用Xpath找到评论，评分等内容所在的节点。
下载方式也是同样的，将requests替换成etree即可。
3要访问一个网页，必不可少的是网址，但同时也需要header，什么是header？header是发送请求时携带的头部信息，里面包含一些相应的参数告诉网站一些客户端的相关信息，我们这里提供header是为了使python更像人为的，而非机器，从而尽量避免网站的反爬措施。
如何获取header？
获取方式为要的打开要获取的网页，F12 选择网络（为空的话重载网页）,选择全部,选择第一个文件的header部分，拉至底下可看见header的User-Agent内容。

4所以访问前的准备就全部做好，使用rquetsts的get函数进行访问，编写成代码如下

import requests
from lxml import etree
url = "https://movie.douban.com/subject/33420285/comments?status=P"
headers = {
'Referer': 'https://movie.douban.com/subject/33420285/comments?status=P',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.51 Safari/537.36'
}
request = requests.get(url,headers=headers)
print(request.status_code)

可以看到状态码为200，即为访问成功
5在获取网页内容之前，我们先看些html的代码编码格式
可以看到为utf-8，所以获取内容时设置的编码方式时也要相同

html = request.content.decode('utf-8')
print(html)

获取内容如下

6接下来便是将获取到的内容整理成一个节点树，并通过Xpath获取其中的评论节点的文本。这里我们要获取评论人的昵称，评论内容，评论分数。
首先鼠标悬浮于评论人名右键检查可以看到这里的昵称是标签a里面的文本，而标签a是包括在上一级的class属性名为comment-info的sapn标签中,而这一标签又是包含在id为comments的dive中的。所以他的Xpath路径可以这样写

//*[@id="comments"]//span[@class="comment-info"]/a/text()

表示的从任意节点开始的id为comments的子孙节点span的class值为comment-info的a标签中的文本
所以这一段的代码为：

tree = etree.HTML(html)
name = tree.xpath('//*[@id="comments"]//span[@class="comment-info"]/a/text()')
print(name)
print(len(name))

7接下来便是同样的操作，观察评论的所在位置，获取写出Xpaht的表达式为

//*[@id="comments"]//div[@class="comment"]/p/span/text()

代码如下

comments = tree.xpath('//*[@id="comments"]//div[@class="comment"]/p/span/text()')
print(comments)
print(len(comments))

8接下来便是获取评分的星的数量
同样的Xpath表示为:

//*[@id="comments"]//div[@class="comment"]//span[2]/span[2]/@class

代码如下：

star_text = tree.xpath('//*[@id="comments"]//div[@class="comment"]//span[2]/span[2]/@class')
print(len(star_text))
print(star_text)

由于这里获取到的星数文本包含了其他字符，而且是实际给予星树的十倍，所以这里对该列表进行操作。
我们首先想到通过re表达式提取其中的数字，并转换为整型进行除10操作，然后保存至一个新的列表中。
但是此时的这里是一个列表，re只适用字符串，因此，我们需要使用join方法来使得此列表变成一个字符串，并以空格隔开。
同时，在代码的首位我们也要导入re这个库

代码如下：

mid = " ".join(star_text)
star_num = re.findall(r'\d+',mid)
star_num1 = list()
for i in star_num:
    star_num1.append(int(i)/10)
print(star_num)
print(star_num1)
print(len(star_num1))

9这样的话，name中包含了评论的人名，comments包含了评论内容，star_num中包含了观众给的星树。我们导入openpyxl中的Workbook
来对excel文件进行操作，以便将数据写入excel中。
代码如下:

wb = Workbook()
sheet = wb.active
sheet.title = "comments_doubian_真心半解"
sheet["A%d" % 1].value = "姓名"
sheet["B%d" % 1].value = "评论"
sheet["C%d" % 1].value = "评分"
for i in range(len(star_num1)):
    sheet["A%d" % (i+2)].value = name[i]
    sheet["B%d" % (i+2)].value = comments[i]
    sheet["C%d" % (i+2)].value = star_num1[i]
    print(i)
    
wb.save("D:\\tem\\001\\comments2.xlsx")

这样，我们就完成了对一页网站的爬取。
获取接下来的几个页面，只需观察网址差异，使用for循环访问，并将昵称，评论，星树这些保存下路即可。
我也是参考了这篇文章，写得很好，点击前往
但是不考虑comments = comments +Xpath路径这种方式，你之前有运行，内存保存有初始的comments的值时不会出错，但当你重新开机，或者在其他机子上运行时，会由于找不到comments的值就会报错。
因此，我改进了下改为:comments += Xpath这种方式

 comments += tree.xpath('//*[@id="comments"]//div[@class="comment"]/p/span/text()')

全文最后总代码即为：

import requests
from lxml import etree
import re
from openpyxl import Workbook
url = "https://movie.douban.com/subject/33420285/comments?status=P"
headers = {
'Referer': 'https://movie.douban.com/subject/33420285/comments?status=P',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.51 Safari/537.36'
}

for i in range(0,100,20):
    url = f'https://movie.douban.com/subject/33420285/comments?start={i}&limit=20&sort=new_score&status=P'
    request = requests.get(url,headers=headers)
    print(request.status_code)
    html = request.content.decode('utf-8')
    print(html)
    tree = etree.HTML(html)
    name += tree.xpath('//*[@id="comments"]//div[@class="avatar"]/a/@title')
    print(name)
    print(len(name))
	comments += tree.xpath('//*[@id="comments"]//div[@class="comment"]/p/span/text()')   
    print(comments)
    print(len(comments))
    star_text += tree.xpath('//*[@id="comments"]//div[@class="comment"]//span[2]/span[2]/@class')
    print(len(star_text))
star='//*[@id="comments"]/div[2]/div[2]/h3/span[2]/span[2]'
print(star_text)
mid = " ".join(star_text)
star_num = re.findall(r'\d+',mid)
star_num1 = list()
for i in star_num:
    star_num1.append(int(i)/10)
print(star_num)
print(star_num1)
print(len(star_num1))
wb = Workbook()
sheet = wb.active
sheet.title = "comments_doubian_真心半解"
sheet["A%d" % 1].value = "姓名"
sheet["B%d" % 1].value = "评论"
sheet["C%d" % 1].value = "评分"
for i in range(len(star_num1)):
    sheet["A%d" % (i+2)].value = name[i]
    sheet["B%d" % (i+2)].value = comments[i]
    sheet["C%d" % (i+2)].value = star_num1[i]
    print(i)
    
wb.save("D:\\tem\\001\\comments5.xlsx")
    

总结:熟练使用re以及Xpath将会大大助益于相关内容的爬取。