爬虫代码哟

一:代码

import requests
from bs4 import BeautifulSoup
import pandas as pd
import os
import random
from time import sleep
import pymysql

# 请求头
h1 = {
	'Cookie': '_vwo_uuid_v2=DDE4E2C5EC9B26884F13F283DE5A6D9E7|7d85e8b9ec39f0f4f031872eed22f124; viewed="3789469"; gr_user_id=8d5561c6-c284-49a0-8492-c4d18e91b3a5; __bid_n=186d498248c62202fb4207; FPTOKEN=CPqEsynsflp6SYrUA8esJXuNoPuBQCsnalC4NvVX6s3l8jHWt6y6QTOzT3DPXO5lHqjy+3fF0jejo0Nw5nar2dIlDjhedqFMcBikuIwUQq8T8jc9awriiR2G6K9U7zn1mzoPabbDzdEqH+WNJxEQC7yXJUb1o506lIiLQ1uX5ToF7lJ+sqD8jNhvveS+ChWVP+bq8TncltbVmDo1DGs8Rg9Etsw0bBr+xPwl93NeXzWasBSpE/SK7rTrwIAPPQ3BgGDgVi0NbogtxXxYj8UQ+2zHO6bcydVAqD9wZ7HvM/JAmt2FfC7ujYxvoW5t1UXQs4/peLh0m0rRAxAdK6y08FwA9VXg3QRicnY42VDCIAvpPdFBfjQQdFGA1qHw3AOUR52nhO6tle5dK8Xo/YiJZw==|44zeRvS/eVN/cCXgUrq8y45bs2CGJ7YTBzN5ruW8vS8=|10|beab3efcb3ceebab7a26fe660f0b3efb; _ga=GA1.2.1218460683.1665919158; bid=NxjqxHYnv-Q; __utmz=30149280.1696852862.6.6.utmcsr=cn.bing.com|utmccn=(referral)|utmcmd=referral|utmcct=/; __utmz=223695111.1696852863.6.6.utmcsr=cn.bing.com|utmccn=(referral)|utmcmd=referral|utmcct=/; _pk_ref.100001.4cf6=%5B%22%22%2C%22%22%2C1701789878%2C%22https%3A%2F%2Fcn.bing.com%2F%22%5D; _pk_id.100001.4cf6=8e9e4a8ea5c238e3.1701789878.; _pk_ses.100001.4cf6=1; ap_v=0,6.0; __utma=30149280.1218460683.1665919158.1696852862.1701789878.7; __utmb=30149280.0.10.1701789878; __utmc=30149280; __utma=223695111.719409566.1665919158.1696852863.1701789878.7; __utmb=223695111.0.10.1701789878; __utmc=223695111',
	'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
	'Accept-Encoding': 'gzip, deflate',
	'Host': 'movie.douban.com',
	'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/15.4 Safari/605.1.15',
	'Accept-Language': 'zh-CN,zh-Hans;q=0.9',
	'Referer': 'https://movie.douban.com/subject/35267224/?from=showing',
	'Connection': 'keep-alive'
}


def trans_star(v_str):
	"""转换评论星级"""
	v_str = v_str[0]
	if v_str == 'allstar10':
		return '1星'
	elif v_str == 'allstar20':
		return '2星'
	elif v_str == 'allstar30':
		return '3星'
	elif v_str == 'allstar40':
		return '4星'
	elif v_str == 'allstar50':
		return '5星'
	else:
		return '未知'


def get_short(v_movie_id):
	"""爬取短评数据"""
	for page in range(1, max_page + 1):  # 爬取前n页
		requests.packages.urllib3.disable_warnings()
		# 请求地址
		url = 'https://movie.douban.com/subject/{}/comments?start={}&limit=20&status=P&sort=new_score'.format(
			v_movie_id, (page - 1) * 20)
		# 发送请求
		response = requests.get(url, headers=h1, verify=False)
		print(response.status_code)
		# 解析页面数据
		soup = BeautifulSoup(response.text, 'html.parser')
		# 所有评论数据
		reviews = soup.find_all('div', {'class': 'comment'})
		print('开始爬取第{}页,共{}条评论'.format(page, len(reviews)))
		sleep(random.uniform(1, 2))
		# 定义空列表用于存放数据
		user_name_list = []  # 评论者昵称
		star_list = []  # 评论星级
		time_list = []  # 评论时间
		ip_list = []  # 评论者ip属地
		vote_list = []  # 有用数
		content_list = []  # 评论内容
		for review in reviews:
			# 评论者昵称
			user_name = review.find('span', {'class': 'comment-info'}).find('a').text
			user_name_list.append(user_name)
			# 评论星级
			star = review.find('span', {'class': 'comment-info'}).find_all('span')[1].get('class')
			star = trans_star(star)
			star_list.append(star)
			# 评论时间
			time2 = review.find('span', {'class': 'comment-time'}).text.strip()
			print('评论时间:', time2)
			time_list.append(time2)
			# 评论者IP属地
			ip = review.find('span', {'class': 'comment-location'}).text
			ip_list.append(ip)
			# 有用数
			vote = review.find('span', {'class': 'votes vote-count'}).text
			vote_list.append(vote)
			# 评论内容
			content = review.find('span', {'class': 'short'}).text
			content = content.replace(',', ',').replace(' ', '').replace('\n', '').replace('\t', '').replace('\r', '')
			content_list.append(content)
		df = pd.DataFrame(
			{
				'页码': page,
				'评论者昵称': user_name_list,
				'评论星级': star_list,
				'评论时间': time_list,
				'评论者IP属地': ip_list,
				'有用数': vote_list,
				'评论内容': content_list,
			}
		)

	data_json = df.to_dict(orient='records')
	# 定义sql语句
	for dt in data_json:
		print(dt)
		sql = 'insert into douban_data values ("%s","%s","%s","%s","%s","%s","%s")' % (dt['页码'], dt['评论者昵称'], dt['评论星级'], dt['评论时间'], dt['评论者IP属地'], dt['有用数'],dt['评论内容'])
		cursor.execute(sql)  # 执行语句
		db.commit()

	# 设置csv文件表头
		if os.path.exists(result_file):
			header = False
		else:
			header = True
	# 保存到csv文件
		df.to_csv(result_file, mode='a+', header=header, index=False, encoding='utf_8_sig')
		print('文件保存成功:', result_file)


if __name__ == '__main__':
	# 定义数据库
	# host:地址    potr:端口     user:用户名    password:密码     db:数据库名     charset:编码
	db = pymysql.connect(host="localhost", port=3306, user="root", password="991218", db="douban", charset="utf8")
	cursor = db.cursor()  # 创建游标
	# 电影id
	movie_id = '35556001'
	# 最大爬取页
	max_page = 1  # 最大为30页
	# 保存文件名
	result_file = '豆瓣短评_{}_前{}页.csv'.format(movie_id, max_page)
	# 如果csv文件存在,先删除之
	if os.path.exists(result_file):
		os.remove(result_file)
		print('结果文件存在,已删除: {}'.format(result_file))
	# 循环爬取短评
	get_short(movie_id)

二:创建数据库表

三:运行代码

 

四:查询第一条

 

五:所以数据

 

  • 9
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值