Python 3.6 爬虫爬取豆瓣《孤芳不自赏》短评

使用Python 3.6 进行对《孤芳不自赏》这部作品的短评爬取

这部作品短评在豆瓣中的URL为：https://movie.douban.com/subject/26608228/comments?start=0&limit=20

点击这个连接我们可以进入该作品短评页面

这里还没有登录豆瓣。登录豆瓣之后，才能爬取更多的页面。
因此我们选择登录，最快捷省时的办法，就是在登录时使用F12进行查看cookies。
把cookies记下来，可以保持登录状态。

然后开始找需要的信息。
页面有很多信息，我们大概需要
短评用户的id、评分、日期、赞同数和内容等等。
建立一个类似这样的正则表达式进行匹配：

    get_id = re.findall(r'(.+)', html)
    get_stars = re.findall(r'', html)
    get_eval = re.findall(r'', html)
    get_comments = re.findall(r'
(.+)', html)
    get_votes = re.findall(r'(.+)', html)
    get_date = re.findall(r'201[0-9]-[0-9]+-[0-9]+', html, re.S)

然后开始写爬虫

# 《孤芳不自赏》，爬取豆瓣影评
import requests
import re
import pymysql
import time


def get_comment_info(html):
    get_id = re.findall(r'(.+)', html)
    get_stars = re.findall(r'', html)
    get_eval = re.findall(r'', html)
    get_comments = re.findall(r'
(.+)', html)
    get_votes = re.findall(r'(.+)', html)
    get_date = re.findall(r'201[0-9]-[0-9]+-[0-9]+', html, re.S)
    n_page = re.findall(r'', html)

    db = pymysql.connect("localhost", "root", "5307", "douban_data", charset='utf8')
    cursor = db.cursor()

    if get_id:
        for i in range(0, 19):
            sql = """INSERT INTO movies_comments (id, stars, eval, comment_info, votes, date)
                VALUES(%s,%s,%s,%s,%s,%s)"""
            try:
                cursor.execute(sql, (get_id[i], get_stars[i], get_eval[i], get_comments[i], get_votes[i], get_date[i]))
                db.commit()
            except Exception as e:
                db.rollback()
                continue
            i += 1

    db.close()
    return n_page


if __name__ == '__main__':
    # login douban.com
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36'
    }

    cookies = {
        'cookie': '使用你的cookies'
    }

    each = 25360
    while 1:
        url = 'https://movie.douban.com/subject/26608228/comments?start=' + str(
            each) + '&limit=20&sort=new_score&status=P'
        url_info = requests.get(url, cookies=cookies, headers=headers)
        print("正在抓取评论，从第" + str(each) + "条开始")
        next_page = get_comment_info(url_info.text)
        time.sleep(10)
        each = next_page[-1]

从MySQL中建立一个相关的表，进行数据的存储
最后运行爬虫，能获取到我们需要的信息

直观了解爬下来的数据

为了更好地了解爬下来的数据，以及了解这样的一部作品，需要对爬下来的数据进行粗略的分析。
短评获取到的数据是中文，可以对内容进行分词，查看每个词出现的频率。
用词云进行体现，可以知道这部作品的口碑：

这大概就达到了要求，得到了结果。