豆瓣影评爬虫

豆瓣影评爬虫

今天要爬取https://movie.douban.com/review/best/?start=0该网址的30条最受欢迎影评。

我们可以看到影评比较长，需要展开才能完整显示。但是在网页源码中是没有显示完整影评的。所以我们考虑到这部分应该是异步加载的方式显示。所以打开网页的开发者选项，可以看到点击展开之后，多了一条full的网页。这个网页就包含了完整评论。

我们观察到全部评论所在的网址为https://movie.douban.com/j/review/9593388/full，其中9593388是对应的评论ID，评论ID在第一张图片所在的网页源码里面有。所以我们的流程大题分为以下几步：

1. 获取索引页https://movie.douban.com/review/best/?start=0，索引页只需要改变start=0,20,40即可访问下一页
2. 解析索引页，把索引页中的10个评论的ID获取到
3. 通过获取到的ID构建完整评论网址https://movie.douban.com/j/review/' + str(id) + '/full
4. 解析评论页，获取评论者姓名和评论内容，写入txt文件

由于比较简单我直接附上源码。

import requests
import re
from requests.exceptions import RequestException
import time

headers = {
    "Accept": "*/*",
    "Accept-Encoding": "gzip, deflate, br",
    "Accept-Language": "zh-CN,zh;q=0.9",
    "Connection": "keep-alive",
    "Host": "movie.douban.com",
    "Referer": "https://movie.douban.com/explore",
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36"
}


# 获取索引页
def get_index_page(html):
    try:
        response = requests.get(url=html, headers=headers)
        response.encoding = 'utf-8'
        if response.status_code == 200:
            # print(response.text)
            return response.text
        return None
    except RequestException:
        print('获取索引页错误')
        time.sleep(3)
        return get_index_page(html)


# 解析索引页
def parse_index_page(html):
    html = get_index_page(html)
    id_pattern = re.compile('<h2><a href="https://movie.douban.com/review/(.*?)/', re.S)
    id = re.findall(id_pattern, html)
    return id


# 获取详情页
def get_detail_page(id):
    html = 'https://movie.douban.com/j/review/' + str(id) + '/full'
    html = get_index_page(html)
    content_pattern = re.compile('data-original(.*?)main-author', re.S)
    content = re.findall(content_pattern, html)
    text_pattern = re.compile('[\u4e00-\u9fa5|，、“”‘’：！~@#￥【】*（）——+。；？]+', re.S)
    text = re.findall(text_pattern, content[0])
    text = ''.join(text)
    name_pattern = re.compile('data-author=.*?"(.*?)"', re.S)
    name = re.findall(name_pattern, html)
    # print(name[0].strip('\\'))
    return name, text


def write2txt(name, text):
    with open('comment.txt', 'a', encoding='utf-8-sig') as f:
        f.write(name[0].strip('\\') + '\n')
        f.write(str(text) + '\n')
        f.write('\n')
        f.close()


if __name__ == '__main__':
    for i in range(3):
        print(i)
        i = i * 20
        html = 'https://movie.douban.com/review/best/?start=' + str(i)
        for id in parse_index_page(html):
            name, text = get_detail_page(id)
            write2txt(name, text)