遍历方式介绍 本文涉及的遍历思路有两种: - 根据id进行遍历 - 根据关键词种子,遍历搜索结果 根据id进行遍历 豆瓣电影信息的url格式为:https://movie.douban.com/subject/id。例如:https://movie.douban.com/subject/26683290/ 豆瓣是从2005年创办的,2005年以前的电影信息id很可能是最早的id。 搜索1999,得到一个1998年的电影。https://movie.douban.com/subject/1303954/。 id编号是七位的数字:1303954。搜索2016,得到最新的电影。https://movie.douban.com/subject/26928204/。 id编号是八位的数字:26928204。 由此猜测,目前(2016年)豆瓣电影的id大致是1300000到27000000。 由于反爬虫的设计,id是不连续的。为了提高命中率,需要对id的分布规律进行分析。 根据关键词种子,遍历搜索结果 豆瓣电影提供了搜索接口。通过关键词搜索得到相关记录的链接。 比如按年份获取,关键词可为:2005,2006,....2016。 比如分分类获取,关键词可为:动作,冒险,爱情,记录...。 总结 需要较为完整的数据库信息,可采用id遍历。 抓取的目的性较强时,可以采用关键词抓取。 TODO: - [ ] 豆瓣的URL设计是比较符合RESTful规范的。根据豆瓣的id即可抓取其他相关的资源 - [ ] 由于豆瓣的反爬虫机制,id是稀疏。可以考虑筛选一些没有内容的id以提高命中率。 - [ ] 由于豆瓣限制了每个IP允许抓取的访问次数,可以使用代理IP[proxymesh],来提升抓取速度。
最终爬取了26057条数据
然后转换为json格式,传给另一个组员作为模型训练数据集