python爬虫之爬取时光网电影影评

最近看了美国往事这部电影。于是就想到最近刚学的爬虫，就像试试把时光网影评爬取下来，并按照影评的名字存放在本地文件夹。

在长影评页面可以看到每篇文章的标题对应都有一个blogid，并且这个id对应该影评正文页的后缀

那么我们便可以通过这个id来实现获取当前页所有影评的地址

首先定义一个方法

id = []#存储电影id

text = []#存储文本

name = ''#存储文章名字

1. def getUrl(url):

2. response = requests.get(ur)

3. html = response.text

4. soup = BeautifulSoup(html, 'html.parser')

5. main = soup.find_all(class_ = 'db_comtool')#找到所有标签为db_comtool的div里面内容

6. for i in main:

7. id.append(i.get('blogid'))#将所有blogid的内容添加到id这个列表中

这个时候我们就得到了当前页所有的id

然后打开任意一篇文章查看源代码分析可以得出正文文本所在的<p>标签在一个class为db_mediacont db_commentcont的div里面文章的标题在一个class为px38 mt30 c_000的<h2>标签中

1. def getArticle(url):

2.  

3. global text

4. response = requests.get(url)#访问网站

5. html = response.text#保存网站源代码

6. bf = BeautifulSoup(html,'html.parser')#解析网址

7. a1 = bf.find_all(class_='db_mediacont db_commentcont')#获取正文文本

8. a2 = bf.find_all(class_='px38 mt30 c_000')#获取文章标题

9.  

10. for each in a1:

11. text.append(re.sub('[\t\n]', "", re.sub(r'<[^>]+>', "", str(each))))#利用正则表达式过滤掉无用内容

12. for each in a2:

13. name = (re.sub('[\t\n]', "", re.sub(r'<[^>]+>', "", str(each))))

14.  
15.  

16. f = open('时光网影评/%s.txt'%name, 'w') # 首先先创建一个文件对象，打开方式为w，名字为刚才得到的name

17. for each in text:

18. f.writelines(each.encode("gbk", 'ignore').decode("gbk", "ignore")) # 用readlines()方法写入文件

19. text = []#清空text

然后将网址放入函数中打开

1. for i in range(1,15):

2. ur = 'http://movie.mtime.com/11319/comment-{}.html'.format(i)#自动翻页

3. getUrl(ur)

4.  

5. for i in id:

6. url = 'http://movie.mtime.com/11319/reviews/{}.html'.format(i)#自动访问每篇影评的对应地址

7. getTitle(url)

最后可以看到已经成功的将影评保存在本地了。