170行代码爬取《白蛇：缘起》短评数据

题图:《白蛇：缘起》海报

阅读文本大概需要 11 分钟。

在我的童年记忆中，电视台播放的动画片大多都是从日本、美国引进的。很多动画片算是银幕上的经典，例如：《变形金刚》系列、《猛兽侠》、《蜘蛛侠》、《七龙珠》、《名侦探柯南》、《灌篮高手》、《数码宝贝》等。

但是国产的精品动画篇确认寥寥无几，可能是当时我国动漫产业还处在起步阶段。一晃几十年过去了，现在的国产动漫算是强势崛起，这也涌现出《斗破苍穹》、《秦时明月》、《天行九歌》等优秀的动画片。

2019年1月11日，一部国产动画电影《白蛇：缘起》在全国热映，一经上映便是好评如潮。这部电影凭借惊艳的花屏，出色的配音取得猫眼 9.4 分、豆瓣 8.0 分的高分成绩。

既然是难得一见的精品，那么我去猫眼上爬爬网友的短评，看看网友们的观点。

01

分析页面

估计很多人经常光顾猫眼电影网，猫眼的反爬机制越来越严格，手段也越来越多。如果选择“刚正面”，爬取 PC 端的页面，可能总体收益不高。况且，PC 端的页面只有精彩短评，没有全部的网页评论数据。

因此，我选择转移战场，从手机页面入手，看看是否有收获。将浏览器选择以手机模式浏览器，结果发现手机网页有全部的短评数据。点击“查看全部讨论”，继续抓包分析。

随着鼠标滚动，自己浏览过几页短评数据之后，最终找到规律。

页面请求的地址是：

http://m.maoyan.com/review/v2/comments.json?

后面携带一些参数：

movieId=1235560&  #电影id
userId=-1& #默认用户id
offset=0& #分片页数
limit=15& #每个分片显示具体数值
ts=0& #当前时间
type=3

然后 offset 的值以 15 间隔递增。

我格式化请求结果，确认能获取到短评内容、点赞数等。但是这个无法满足我的需求，我是想获取城市信息，后面想绘制地理热力图。而目前这个接口没有城市信息。

因此，我选择逛逛各大搜索引擎，试下碰碰运气。最后幸运女神帮了我一把，我找到别人已经挖掘到的猫眼短评接口。

http://m.maoyan.com/mmdb/comments/movie/1235560.json?_v_=yes&offset=1

其中 1235560 表示电影的 id，offset 代表页数。

02

爬虫制作

因为短评数据量可能会比较多，所以我选择用数据库来存储数据。后面方便进行数据导出、数据去重等。

自己从 json 数据结果中提取想要的数据，然后设计数据表并创建。

def create_database(self):
    create_table_sql = (
        "CREATE TABLE IF NOT EXISTS {} ("
        "`id` VARCHAR(12) NOT NULL,"
        "`nickName` VARCHAR(30),"
        "`userId` VARCHAR(12),"
        "`userLevel` INT(3),"
        "`cityName` VARCHAR(10),"
        "`gender` tinyint(1),"
        "`score` FLOAT(2,1),"
        "`startTime` VARCHAR(30),"
        "`filmView` BOOLEAN,"
        "`supportComment` BOOLEAN,"
        "`supportLike` BOOLEAN,"
        "`sureViewed` INT(2),"
        "`avatarurl` VARCHAR(200),"
        "`content` TEXT"
        ") ENGINE=InnoDB DEFAULT CHARSET=utf8mb4".format(self.__table)
    )

    try:
        self.cursor.execute(create_table_sql)
        self.conn.commit()
    except Exception as e:
        self.close_connection()
        print(e)

然后构造 Session 会话、请求头 headers 和 url 地址。

""" 构造会话 Session 抓取短评 """
session = requests.Session()
# 电影短评地址
movie_url = 'http://m.maoyan.com/mmdb/comments/movie/1235560.json?_v_=yes&offset={}'

headers = {
    'User-agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Mobile Safari/537.36',
    'Accept-Encoding': 'gzip, deflate',
    'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    'Host': 'm.maoyan.com',
    'Accept-Language': 'zh-CN,zh;q=0.8',
    'Cache-Control': 'max-age=0',
    'Connection': 'keep-alive',
    'Upgrade-Insecure-Requests': '1',
}

接着请求 url 地址并解析返回的 Json 数据。

offset = 1
while 1:
    print('============抓取第', offset, '页短评============')
    print('============>>>', movie_url.format(offset))
    response = session.get(movie_url.format(offset), headers=headers)
    if response.status_code == 200:
        """ 解析短评 """
        data_list = []
        data = {}
        for comment in json.loads(response.text)['cmts']:
            data['id'] = comment.get('id')
            data['nickName'] = comment.get('nickName')
            data['userId'] = comment.get('userId')
            data['userLevel'] = comment.get('userLevel')
            data['cityName'] = comment.get('cityName')
            data['gender'] = comment.get('gender')
            data['score'] = comment.get('score')
            data['startTime'] = comment.get('startTime')
            data['filmView'] = comment.get('filmView')
            data['supportComment'] = comment.get('supportComment')
            data['supportLike'] = comment.get('supportLike')
            data['sureViewed'] = comment.get('sureViewed')
            data['avatarurl'] = comment.get('avatarurl')
            data['content'] = comment.get('content')
            print(data)
            data_list.append(data)
            data = {}
        print('============解析到', len(data_list), '条短评数据============')
        self.insert_comments(data_list)
    else:
        # 抓取失败就先暂停抓取, 标记抓取页数, 过段时间再抓取
        print('>=== 抓取第 ', offset, ' 失败, 错误码为 ' + response.status_code)
        break
    offset += 1
    time.sleep(random.randint(10, 20))

完成解析数据工作之后，最后一步工作就是将数据插入到数据库中。

def insert_comments(self, datalist):
    """ 往数据库表中插入数据 """
    insert_sql = (
        "insert into "
        "{} (id, nickName, userId, userLevel, cityName, gender, score, "
        "startTime, filmView, supportComment, supportLike, sureViewed, avatarurl, content)"
        "values(%s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s)".format(self.__table))

    try:
        templist = []
        for comment in datalist:
            if comment.get('gender') is None:
                comment['gender'] = -1
            data = (comment.get('id'),
                    comment.get('nickName'),
                    comment.get('userId'),
                    comment.get('userLevel'),
                    comment.get('cityName'),
                    comment.get('gender'),
                    comment.get('score'),
                    comment.get('startTime'),
                    comment.get('filmView'),
                    comment.get('supportComment'),
                    comment.get('supportLike'),
                    comment.get('sureViewed'),
                    comment.get('avatarurl'),
                    comment.get('content'))
            templist.append(data)
        self.cursor.executemany(insert_sql, templist)
        self.conn.commit()
    except Exception as e:
        print('===== insert exception -->>> %s', e)

我因控制爬虫速率，暂时还没有完成爬取工作。至于爬取结果，详情见下篇文章关于电影短评的数据分析。

如果你觉得文章还不错，请大家点『好看』分享下。你的肯定是我最大的鼓励和支持。

推荐阅读：

分享一个爬取网站的小技巧

图表类型，你选对了吗？

账号认证那些事

不积跬步，无以至千里