12行Python暴力爬《黑豹》豆瓣短评
作者：黄嘉锋 来源：https://www.jianshu.com/p/ea0b56e3bd86
草长莺飞，转眼间又到了三月“爬虫月”。 这时往往不少童鞋写论文苦于数据获取艰难，辗转走上爬虫之路； 许多分析师做舆情监控或者竞品分析的时候，也常常使用到爬虫。
今天，本文将带领小伙伴们通过12行简单的Python代码，初窥爬虫的秘境。
爬虫目标
本文采用requests + Xpath，爬取豆瓣电影《黑豹》部分短评内容。话不多说，代码先上：
import requests; from lxml import etree; import pandas as pd; import time; import random; from tqdm import tqdm
name, score, comment = [], [], []
def danye_crawl(page):
url = 'https://movie.douban.com/subject/6390825/comments?start=%s&limit=20&sort=new_score&status=P&percent_type='%(page*20)
response = etree.HTML(requests.get(url).content.decode('utf-8'))
print('\n', '第%s页评论爬取成功'%(page)) if requests.get(url).status_code == 200 else print('\n', '第%s页爬取失败'(page))
for i in range(1,21):
name.append(response.xpath('//*[@id="comments"]/div[%s]/div[2]/h3/span[2]/a'%(i))[0].text)
score.append(response.xpath('//*[@id="comments"]/div[%s]/div[2]/h3/span[2]/span[2]'%(i))[0].attrib['class'][7])
comment.append(response.xpath('//*[@id="comments"]/div[%s]/div[2]/p'%(i))[0].text)
for i in tqdm(range(11)): danye_crawl(i); time.sleep(random.uniform(6, 9))
res = pd.DataFrame({'name':name, 'score':score, 'comment':comment},columns = ['name','score','comment']); res.to_csv("豆瓣.csv")运行以上的爬虫脚本，我们得以见证奇迹
爬虫结果与原网页内容的对比，完全一致
通过tqdm模块实现了良好的交互
工具准备
- chrome浏览器（分析HTTP请求、抓包）
- 安装Python 3及相关模块（requests、lxml、pandas、time、random、tqdm） requests：用来简单请求数据 lxml：比Beautiful Soup更快更强的解析库 pandas：数据处理神器 time：设置爬虫访问间隔防止被抓 random：随机数生成工具，配合time使用 tqdm：交互好工具，显示程序运行进度
基本步骤
- 网络请求分析
- 网页内容解析
- 数据读取存储
涉及知识点
- 爬虫协议
- http请求分析
- requests请求
- Xpath语法
- Python基础语法
- Pandas数据处理
爬虫协议
爬虫协议即网站根目录之下的robots.txt文件，用来告知爬虫者哪些可以拿哪些不能偷，其中Crawl-delay告知了网站期望的被访问的间隔。（为了对方服务器端同学的饭碗，文明拿数据，本文将爬虫访问间隔设置为6-9秒的随机数）
豆瓣网站的爬虫协议
HTTP请求分析
使用chrome浏览器访问《黑豹》短评页面https://movie.douban.com/subject/6390825/comments?sort=new_score&status=P，按下F12，进入network面板进行网络请求的分析，通过刷新网页重新获得请求，借助chrome浏览器对请求进行筛选、分析，找到那个Ta
豆瓣短评页面请求分析
通过请求分析，我们找到了目标url为 'https://movie.douban.com/subject/6390825/comments?start=0&limit=20&sort=new_score&status=P&percent_type='，并且每次翻页，参数start将往上增加20 （通过多次翻页尝试，我们发现第11页以后需要登录才能查看，且登录状态也仅展示前500条短评。作为简单demo，本文仅对前11页内容进行爬取）
requests请求
通过requests模块发送一个get请求，用content方法获取byte型数据，并以utf-8重新编码；然后添加一个交互，判断是否成功获取到资源（状态码为200），输出获取状态
请求详情分析
（除了content，还有text方法，其返回unicode字符集，直接使用text方法遇到中文的话容易出现乱码）
Xpath语法解析
获取到数据之后，需要对网页内容进行解析，常用的工具有正则表达式、Beautiful Soup、Xpath等等；其中Xpath又快又方便。此处我们通过Xpath解析资源获取到了前220条短评的用户名、短评分数、短评内容等数据。 （可借助chrome的强大功能直接复制Xpath，Xpath语法学习http://www.runoob.com/xpath/xpath-tutorial.html）
数据处理
获取到数据之后，我们通过list构造dictionary，然后通过dictionary构造dataframe，并通过pandas模块将数据输出为csv文件
结语与彩蛋
本例通过requests+Xpath的方案，成功爬取了电影《黑豹》的部分豆瓣短评数据，为文本分析或其他数据挖掘工作打好了数据地基。 本文作为demo，仅展示了简单的爬虫流程，更多彩蛋如请求头、请求体信息获取、cookie、模拟登录、分布式爬虫等请关注后期文章更新哟。
最后，送上白话文版的代码：
import requests
from lxml import etree
import pandas as pd
import time
import random
from tqdm import tqdm
name, score, comment = [], [], []
def danye_crawl(page):
url = 'https://movie.douban.com/subject/6390825/comments?start=%s&limit=20&sort=new_score&status=P&percent_type='%(page*20)
response = requests.get(url)
response = etree.HTML(response.content.decode('utf-8'))
if requests.get(url).status_code == 200:
print('\n', '第%s页评论爬取成功'%(page))
else:
print('\n', '第%s页爬取失败'(page))
for i in range(1,21):
name_list = response.xpath('//*[@id="comments"]/div[%s]/div[2]/h3/span[2]/a'%(i))
score_list = response.xpath('//*[@id="comments"]/div[%s]/div[2]/h3/span[2]/span[2]'%(i))
comment_list = response.xpath('//*[@id="comments"]/div[%s]/div[2]/p'%(i))
name_element = name_list[0].text
score_element = score_list[0].attrib['class'][7]
comment_element = comment_list[0].text
name.append(name_element)
score.append(score_element)
comment.append(comment_element)
for i in tqdm(range(11)):
danye_crawl(i)
time.sleep(random.uniform(6, 9))
res = {'name':name, 'score':score, 'comment':comment}
res = pd.DataFrame(res, columns = ['name','score','comment'])
res.to_csv("豆瓣.csv")腾讯云开发者
