1-7获取豆瓣网页评论信息

有时候需要在网页获取一些资源信息，可以通过爬虫的方式获取，注意多页面数据的获取在循环结构中设置

1、首先获取网站地址、模拟浏览器headers

2、按照网页结构形式，逐层查看自己想要的内容

3、转化成自己想要的格式文件

代码如下：

import time import requests from bs4 import BeautifulSoup import jsonlines import json x = [] # URL豆瓣电影评论页面 url = 'https://movie.douban.com/subject/26363254/comments' # GET请求模拟浏览器发送 headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3' } # # URL初始页面 base_url = 'https://movie.douban.com/subject/26363254/comments' # 逐页爬行 for i in range(2): # 假定爬行前10页的评论？ # 完整的URL拼接(每页20条评论) page_url = f'{base_url}?start={i*20}&limit=20' #page_url = 'abc{}bc{}d'.format(i*20,i*30) # 发送请求获取HTML内容 response = requests.get(page_url, headers=headers) if response.status_code == 200: soup = BeautifulSoup(response.text, 'html.parser') comment_list = soup.find_all('div', class_='comment') # 同样的方法分析评论 for comment in comment_list: value = {} commenter = comment.find('a', class_='').text content = comment.find('p', class_='comment-content').text.strip() rating_tag = comment.find('span', class_='rating') rating = rating_tag['title'] if rating_tag else '无评分' value['评论者'] = commenter value['评分'] = rating value['评论内容'] = content x.append(value) # 设置延迟设置，以避免过快爬取被封ip。 time.sleep(2) # 将生成的JSONL格式数据写入train.jsonl文件 with jsonlines.open('train0404-1.jsonl', mode='w') as writer: writer.write_all(x)

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Thu Mar 21 09:25:15 2024

@author: ubuntu
"""

import time
import requests
from bs4 import BeautifulSoup
import jsonlines
import json

x = []
# URL豆瓣电影评论页面
url = 'https://movie.douban.com/subject/26363254/comments'
# GET请求模拟浏览器发送
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'
}
# # URL初始页面
base_url = 'https://movie.douban.com/subject/26363254/comments'
# 逐页爬行
for i in range(2):  # 假定爬行前10页的评论？
    # 完整的URL拼接(每页20条评论)
    page_url = f'{base_url}?start={i*20}&limit=20'
    #page_url = 'abc{}bc{}d'.format(i*20,i*30)
    # 发送请求获取HTML内容
    response = requests.get(page_url, headers=headers)
    if response.status_code == 200:
        soup = BeautifulSoup(response.text, 'html.parser')
        comment_list = soup.find_all('div', class_='comment')

        # 同样的方法分析评论
        for comment in comment_list:
            value = {}
            commenter = comment.find('a', class_='').text
            content = comment.find('p', class_='comment-content').text.strip()
            rating_tag = comment.find('span', class_='rating')
            rating = rating_tag['title'] if rating_tag else '无评分'

            value['评论者'] = commenter
            value['评分'] = rating
            value['评论内容'] = content
            x.append(value)

    # 设置延迟设置，以避免过快爬取被封ip。
    time.sleep(2)
    # 将生成的JSONL格式数据写入train.jsonl文件
    with jsonlines.open('train0404-1.jsonl', mode='w') as writer:
        writer.write_all(x)