完全小白篇-用python爬取豆瓣电影影评

python爬虫5天速成

这一个项目其实是受B站的课程启发的，里面讲述了用python爬取豆瓣评分top250的各类信息，这也是我最初选择学习爬虫的启蒙教程。另外一点就是和爬网络小说也比较像，用python爬取网络小说因为是最最单纯的爬取文本数据
所以就有这一次我自己想到的项目：爬取任意豆瓣电影的所有影评。

打开豆瓣电影

随机电影的所有影评网页

本次打开的是《信条》

影评是实时更新的(本图发布时间是2020/9/7 8:47)，从表面来看各个影评摘要部分摆在这个网页还是相当整齐的，这对于正则提取来说相对友好。
第x页其实是基于每一页都只存放20条影评摘要的，实际上我们对网页栏写入"?start=x"就会令豆瓣服务器返回一个从第x条影评摘要开始的网页：

我们检查网页源代码，在中间部分会发现各个存放摘要信息的盒子：

跳转逻辑

分析一下当前这种页面的特点：

1. 每一页固定只有20条影评摘要
2. 每一条影评摘要都会相对应有一个a标签以供跳转到影评人具体影评
3. 可以通过"start="来获取指定序列的网页

所以我们可以制定一个基本爬取方案：
1. 获取该电影影评网站的网页源代码
2. 正则提取a标签跳转链接（并存入一个列表）
3. 根据列表跳转到具体影评人影评，获取那个页面的源代码
4. 从中正则提取需要的内容
5. 寻找方法存储提取的内容

分析影评内容获取方法

我们打开第一个影评人的影评，并检查源代码：

他的网页其实已经相当复杂了，因为我们不仅仅要剔除什么样式也没有的p标签，还要针对性去处理有data-page、data-align样式的p标签。（先用个小本本记下来这些特点）

我们再打开另几个影评的源代码。下图是第三篇影评的形式：

他居然还会在p标签里内置span标签另加样式。。。所以我们的任务就额外多了一个去除span标签
往下翻几条，发现所有的网页无外乎就以上几种了：

1. 啥内容也没有的p标签
2. 有data-page="0"样式的p标签
3. 有 data-align="" 或 data-align=“left” 的p标签
4. data-page和data-align两种样式都有的p标签
5. p标签里内置的span标签（且一旦有居然都是< span style=“font-weight: bold;” >这样的标签）

逐一正则提取影评

针对标签格式过于多样的处理

由于每个网页的提取规则都不同，实在难以实现可移植性高的代码，所以只能针对这个项目针对性地写代码调整：

1. 正则提取所有p标签内容
2. 将内容化为string形式并删除< p data-align data-page>、< span style=“font-weight: bold;” >这样的东西
3. 整合好每一篇标题+影评，进行存储

针对提出请求的频率的限制

豆瓣的反爬虫这么严格了现在？
豆瓣也是多少年的老网站了，反爬机制估计也是很成熟，实际情况就是，经过试验，全功率无限制运行程序（while循环速度）会导致豆瓣在你爬到第40篇时就对你的IP关闭服务，设置1s一次请求的话会在140篇的位置对你的IP关闭服务，2s一次请求的话会在520-530篇对你的IP关闭服务。3s相对安全，能爬1080左右的影评，4s一次请求不用担心访问被拒的。
方法很简单，调用python自带 time 库的 time.sleep() 函数即可

存储方式(本次sqlite3)

干爬不存有点浪费这个项目。本次采用创建+写数据库的形式存储爬取的信息。因为内容很多所以采用边爬边存

1. 调用sqlite3库 import sqlite3
2. 在程序运行最开始创建这个数据库：

# 删除先前的数据库方便直接建表
if os.path.exists("TENET.db"):
	os.remove("TENET.db")
# 连接数据库
TENET = sqlite3.connect("TENET.db")
c = TENET.cursor()  #游标
sql = '''
    create table Review
    (
        id int primary key,
        title text not null,
        review text nut null
    );
'''
c.execute(sql)	# 执行sql操作
TENET.commit()  # 提交数据库操作
TENET.close()   # 关闭数据库

3. 每当获取好一个影评，就调用插入当前表单：

# 调用saveData([j,title,text])
def saveData(review_text):
    TENET = sqlite3.connect("TENET.db")
    c = TENET.cursor()  #游标
    print("写入影评:"+str(review_text[0]))
    # 利用占位符方式写入表单
    c.execute("insert into Review values(?,?,?)", (review_text[0]+1,review_text[1],review_text[2]))
    TENET.commit()  # 提交数据库操作
    TENET.close()   # 关闭数据库

完整代码：

from bs4 import BeautifulSoup   #网页解析，数据获取
import os
import re                       #正则表达式，文字匹配
import urllib.request,urllib.error,urllib.parse  #指定url，获取网页数据
import sqlite3
import time

# 影评跳转链接匹配
findLink = re.compile(r'<h2><a href="(.*?)">.*</a></h2>',re.S)   # 指定规则，创建正则表达式对象
# 影评标题匹配
findTitle = re.compile(r'<span property="v:summary">(.*?)</span>',re.S) 
# re.S防止换行符影响我们提取
# 根据指定url获取网页html源代码
def getHtml(baseurl):
    head = {    #模拟浏览器身份头向对方发送消息
        "user-agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.46 (KHTML, like Gecko) Chrome/83.0.4133.126 Safari/537.46"
        # cookie信息如果你真想以一个登陆用户身份访问网页的话就写上
    }
    # 向豆瓣服务器发送请求
    req = urllib.request.Request(url=baseurl, headers=head)
    html=""
    # 为了在受到反爬系统反制时及时收手，采用try方式，如果访问失败直接返回空字符串协助main函数跳出循环
    try:
        response = urllib.request.urlopen(req)
        html = response.read().decode("utf-8")
    except urllib.error.URLError as e:
        if hasattr(e, "reason"):
            print(e.reason)
        else:
            print("访问发生了其他错误")   
        html="" 
    return html

def saveData(review_text):
    TENET = sqlite3.connect("TENET.db")
    c = TENET.cursor()  #游标
    print("写入影评:"+str(review_text[0]))
    c.execute("insert into Review values(?,?,?)", (review_text[0]+1,review_text[1],review_text[2]))
    TENET.commit()  #提交数据库操作
    TENET.close()   #关闭数据库

def main():
    if os.path.exists("TENET.db"):
        os.remove("TENET.db")
    TENET = sqlite3.connect("TENET.db")
    print("数据库连接完成")
    c = TENET.cursor()  #游标
    sql = '''
        create table Review
        (
            id int primary key,
            title text not null,
            review text nut null
        );
    '''
    c.execute(sql)
    TENET.commit()  #提交数据库操作
    TENET.close()   #关闭数据库

    baseurl = "https://movie.douban.com/subject/30444960/reviews?start="
    i = 0
    j = 0
    # 1000+影评运行时间会在1h左右，也许就会产生新一整页影评。所以不用for循环，直接上while
    running = True
    # 获取《信条》影评网页源代码信息
    while running:
        # 以20为单位相当于在跳转到“第几页”
        html = getHtml(baseurl+str(i*20))
        if html!="":
            # 逐一解析影评页面每一个标签
            soup = BeautifulSoup(html,'html.parser')
            # 用于记录所有具体影评链接
            a_href_data = []
            for item in soup.find_all('div',class_="main-bd"):
                item = str(item)
                link = re.findall(findLink, item)[0]
                a_href_data.append(link)

            # 接下来开始访问所有影评网页
            for url in a_href_data:
                # 我太菜了，反反爬只能用此下等卑微的措施
                time.sleep(4)
                # 获取单个影评网页源代码信息
                html = getHtml(url)
                # 逐一解析一个影评的每一个标签
                soup = BeautifulSoup(html,'html.parser')
                # 标题
                title = ""
                for item in soup.find_all('h1'):
                    item = str(item)
                    title = re.findall(findTitle, item)[0]
                    title = re.sub("\n","",title)
                # 找内容所在的盒子
                for item in soup.find_all('div',id="link-report"):
                    item = str(item)
                    # 影评内容
                    text = ""
                    # 一个影评盒子内的p标签们全部由soup处理
                    soup_content = BeautifulSoup(item,'html.parser')
                    # 针对所有p标签内容
                    for item_content in soup_content.find_all('p'):
                        item_content = str(item_content)
                        # 针对span标签的额外处理
                        item_content = re.sub(r'<span style=".*">',"",item_content) # 删除span
                        item_content = re.sub('</span>'," ",item_content)           # 删除span
                        item_content = re.sub(r'<p.*">',"",item_content)            # 删除有样式的p报签
                        item_content = re.sub('<p>',"",item_content)                # 删除没样式的p标签
                        item_content = re.sub('</p>'," ",item_content)              # 删除p标签
                        # 写影评
                        if item_content!="":
                            text+=item_content+"\n"
                
                print(title+" 已获取完成")
                # 存入数据库
                saveData([j,title,text])
                j+=1
            i+=1
        else:
            running = False  
    # os.system("pause")

if __name__ == "__main__":
    main()

附：豆瓣短评的正则提取逻辑

如果你真的对大数据有兴趣的话建议学一些做词云图之类的东西