刚学习爬虫不久,便想通过爬取最近很火的《长津湖》电影来练练手。
本文主要通过selenium库来进行,以chromedriver作为其与Chrome通信的载体。
1.准备阶段
下载Chrome(谷歌)浏览器
安装对应版本的chromedriver,并将其添加至Python路径中
用cmd安装selenium、lxml、requests、time、re库
2.电影短评链接为:长津湖 短评长津湖短评https://movie.douban.com/subject/25845392/comments
获得源码的程序:
from selenium import webdriver
from lxml import etree
import requests
import pandas as pd
import time
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
import re
driver=webdriver.Chrome()#启动chrome浏览器
url='https://movie.douban.com/subject/25845392/comments'#长津湖豆瓣短评链接
driver.get(url) #获得源码
dom = etree.HTML(driver.page_source)
运行上述代码,会自动弹出《长津湖》短评窗口,如下图所示:
2.获得信息程序
我主要爬取了用户名,评分、评论发布时间、短评正文、赞同数量、用户主页链接(为获取居住城市做准备),进入用户主页,可获得用户居住地址。
def get_web_data(dom = None, cookies = None, headers = None):
names = dom.xpath('//div[@class="comment-item "]//span[@class="comment-info"]/a/text()') # 获取用户名
ratings = dom.xpath('//div[@class="comment-item "]//span[@class="comment-info"]/span[2]/@class') # 获取评分
times = dom.xpath('//div[@class="comment-item "]//span[@class="comment-info"]/span[@class="comment-time "]/@title') # 获取评论发布时间
message = dom.xpath('//div[@class="comment-item "]//div[@class="comment"]//span[@class="short"]/text()') # 获取短评正文
user_url = dom.xpath('//div[@class="comment-item "]//span[@class="comment-info"]/a/@href') # 获取用户主页网址
votes = dom.xpath('//div[@class="comment-item "]//div[@class="comment"]//span[@class="votes vote-count"]/text()') # 获取赞同数量
cities = []
load_times = []
for i in user_url:
web_data = requests.get(i, cookies = cookies, headers = header)
dom_url = etree.HTML(web_data.text, etree.HTMLParser(encoding='utf-8'))
address = dom_url.xpath('//div[@class="basic-info"]//div[@class="user-info"]/a/text()') # 根据用户主页网址来获取用户居住地
load_time = dom_url.xpath('//div[@class="basic-info"]//div[@class="user-info"]/div[@class="pl"]/text()') # 获取用户入会时间
cities.append(address)
load_times.append(load_time)
time.sleep(2) #点击频率间隔两秒
ratings = ['' if 'rating' not in i else int(re.findall('\d{2}', i)[0]) for i in ratings] # 将评分数据整理为所需格式
load_times = ['' if i == [] else i[1].strip()[:-2] for i in load_times] # 将入会数据整理为所需格式
cities = ['' if i == [] else i[0] for i in cities]
data = pd.DataFrame({
'用户名': names,
'居住城市': cities,
'加入时间': load_times,
'评分': ratings,
'发表时间': times,
'短评正文': message,
'赞同数量': votes
})
return data
4.登录豆瓣官网,设置cookies和header完成身份认证(登录之后可以获取500条数据)
cookies和header信息均在Network中,登陆后需刷新
cookies_str ='你的cookies复制粘贴到这噢~'
cookies = {}
for i in cookies_str.split(';'): # 将cookies整理成所需格式
k, v = i.split('=', 1)
cookies[k] = v
header = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36",
} # 引号里边需替换为自己的User-Agent
5.爬取全部页面数据
# 对所有页面进行数据爬取操作,并对数据进行保存
all_data = pd.DataFrame()
wait = WebDriverWait(driver, 20)
while True:
wait.until(
EC.element_to_be_clickable( # 通过当前页最后一个“用户”按钮是否可以点击项条件确认网
#页是否已经加载进来
(By.CSS_SELECTOR, '#comments > div:nth-child(20) > div.comment > h3 > span.comment-info > a')
)
)
dom = etree.HTML(driver.page_source, etree.HTMLParser(encoding='utf-8')) # 网页源码解析,得到一个dom文件
data = get_web_data(dom=dom, cookies=cookies, headers = header)
all_data = pd.concat([all_data, data], axis=0)
if driver.find_element_by_css_selector('#paginator > a.next')==[]: # 判定“后页”按钮是否可以点击
break#否则打破循环
confirm_bnt = wait.until(
EC.element_to_be_clickable(
(By.CSS_SELECTOR, '#paginator > a.next')
)
)
confirm_bnt.click() # 执行翻页操作
获得数据如下图所示:
6.保存数据
all_data.to_csv('E:\python\changjinhu\changjinhu.csv', index=None, encoding='gbk') # 将数据以csv文件的方式写出
本文代码可供学习使用,如有侵权联系即删,若有不足,欢迎评论区留言指出。