最详细爬虫零基础教程12——某网评论爬取教程

本文介绍了如何使用Python的requests和jsonpath库进行某网站单页评论爬取,并处理了referer错误。随后扩展到翻页案例,通过循环实现高效抓取大量评论数据。
摘要由CSDN通过智能技术生成


前言

本文我们主要是讲述一个某网站评论爬取的案例


一、单页爬取

目标url:https://ke.qq.com/course/380991/12573838881968191?tuin=7265bf35#term_id=100454125

import jsonpath
import requests

if __name__ == '__main__':
    # 1.确认代理url
    url_ = 'https://ke.qq.com/cgi-bin/comment_new/course_comment_list?cid=380991&filter_rating=0&page=0&bkn=&r=0.9592'

    # 2.用户代理
    headers_ = {
        # 添加跳转referer
        'Referer': 'https://ke.qq.com/course/380991/12573838881968191?tuin=7265bf35',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36'
    }
    response_ = requests.get(url_, headers=headers_)
    py_data = response_.json()
    # print(py_data)
    # 3.解析数据
    name_list = jsonpath.jsonpath(py_data, '$..nick_name')
    print(name_list)
    comment_list = jsonpath.jsonpath(py_data, '$..first_comment')
    print(comment_list)
    for i in range(len(name_list)):
        dict_ = {}
        dict_[name_list[i]] = comment_list[i]
        print(dict_)

报错处理:{“msg”:“refer错误”,“type”:1,“retcode”:100101}

解决:referer错误,是一个新的反爬点,只要加上一个referer跳转就可以成功访问

二、翻页案例

我们获取数据的时候,一般一次性会需要的到大量的数据,但是一页一页的爬取效率就会极其低下,这就引发了另一种思考,我们是否可以利用代码来实现评论的翻页呢?

import jsonpath
import requests
import time
import json

if __name__ == '__main__':
    with open('腾讯评论.json','w') as f:
        dict_list = []
        for page in range(2):
            # 1.确认代理url
            url_ = f'https://ke.qq.com/cgi-bin/comment_new/course_comment_list?cid=380991&filter_rating=0&page={page}&bkn=&r=0.9592'

            # 2.用户代理
            headers_ = {
                # 添加跳转referer
                'Referer': 'https://ke.qq.com/course/380991/12573838881968191?tuin=7265bf35',
                'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36'
            }
            response_ = requests.get(url_,headers=headers_)
            py_data = response_.json()
            # print(py_data)
            # 3.解析数据
            name_list = jsonpath.jsonpath(py_data,'$..nick_name')
            # print(name_list)
            comment_list = jsonpath.jsonpath(py_data, '$..first_comment')
            # print(comment_list)
            for i in zip(name_list,comment_list):
                dict_data = {
                    '姓名': i[0],
                    '内容': i[1]
                }
                dict_list.append(dict_data)
            print(f'第{page+1}页打印完成,休息一下~')
            time.sleep(2)
        json_data = json.dumps(dict_list,ensure_ascii=False)
        f.write(json_data)
  • 20
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
好的,我可以为您提供爬虫教程,以下是使用Scrapy框架爬取豆瓣电影TOP250的步骤: 1. 创建Scrapy项目 首先需要使用Scrapy命令行工具创建一个Scrapy项目,可以使用以下命令: ``` scrapy startproject douban_top250 ``` 该命令将会在当前目录下创建一个名为douban_top250的Scrapy项目。 2. 创建Spider 接下来需要创建一个Spider来定义爬取的规则,可以使用以下命令在Scrapy项目的spiders目录下创建一个名为douban_spider的Spider: ``` scrapy genspider douban_spider movie.douban.com ``` 在spiders目录下会生成一个名为douban_spider.py的文件,我们可以在该文件中定义爬取规则。 3. 编写Spider规则 在douban_spider.py文件中,我们需要定义如何爬取豆瓣电影TOP250的规则,以下是一个简单的例子: ```python import scrapy from scrapy import Selector from douban_top250.items import DoubanTop250Item class DoubanSpider(scrapy.Spider): name = "douban_spider" allowed_domains = ["movie.douban.com"] start_urls = [ "https://movie.douban.com/top250" ] def parse(self, response): selector = Selector(response) item_list = selector.xpath('//ol[@class="grid_view"]/li') for item in item_list: douban_item = DoubanTop250Item() douban_item['rank'] = item.xpath('div[@class="pic"]/em/text()').extract()[0] douban_item['title'] = item.xpath('div[@class="info"]/div[@class="hd"]/a/span[@class="title"]/text()').extract()[0] douban_item['rating'] = item.xpath('div[@class="info"]/div[@class="bd"]/div[@class="star"]/span[@class="rating_num"]/text()').extract()[0] douban_item['quote'] = item.xpath('div[@class="info"]/div[@class="bd"]/p[@class="quote"]/span[@class="inq"]/text()').extract()[0] yield douban_item ``` 在上述代码中,我们定义了一个名为DoubanSpider的Spider,并定义了一些爬取规则: - allowed_domains:定义允许爬取的域名; - start_urls:定义爬虫开始爬取的URL列表; - parse:定义如何解析响应结果,生成Item对象。 4. 定义Item 在上述代码中,我们定义了一个名为DoubanTop250Item的Item,需要在douban_top250/items.py文件中定义该Item,以下是一个简单的例子: ```python import scrapy class DoubanTop250Item(scrapy.Item): rank = scrapy.Field() title = scrapy.Field() rating = scrapy.Field() quote = scrapy.Field() ``` 在上述代码中,我们定义了DoubanTop250Item包含以下字段: - rank:电影排名; - title:电影名称; - rating:电影评分; - quote:电影的经典语录。 5. 运行Spider 在完成上述步骤后,就可以运行Spider开始爬取豆瓣电影TOP250了,可以通过以下命令来运行Spider: ``` scrapy crawl douban_spider -o douban_top250.csv ``` 该命令将会运行名为douban_spider的Spider,并将结果保存到douban_top250.csv文件中。 以上就是使用Scrapy爬取豆瓣电影TOP250的基本步骤,希望能对您有所帮助。

“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
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

打赏作者

莘薪

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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