#私藏项目实操分享#Python爬虫实战，requests+xpath模块，Python实现爬取豆瓣影评

青春须早为，岂能长少年。这篇文章主要讲述#私藏项目实操分享#Python爬虫实战，requests+xpath模块，Python实现爬取豆瓣影评相关的知识，希望能为你提供帮助。
前言利用利用requests+xpath爬取豆瓣影评，废话不多说。
让我们愉快地开始吧~
开发工具Python版本：3.6.4
相关模块：
requests模块；
jieba模块；
pandas模块
numpy模块
pyecharts模块；
以及一些python自带的模块。
环境搭建安装Python并添加到环境变量，pip安装需要的相关模块即可。
前期准备 1.获取页面内容

# 爬取页面 url\\ douban_url = https://movie.douban.com/subject/26647117/comments?status=P\\ # requests 发送请求\\ get_response = requests.get(douban_url)\\ # 将返回的响应码转换成文本（整个网页）\\ get_data = https://www.songbingjia.com/android/get_response.text

2.分析页面内容，获取我们想要的内容

浏览器中打开我们要爬取的页面
按F12进入开发者工具，查看我们想要的数据在哪里
这里我们只要评论人+评论内

#私藏项目实操分享#Python爬虫实战，requests+xpath模块，Python实现爬取豆瓣影评

文章图片

分析我们获取的 xpath值

/html/body/div[3]/div[1]/div/div[1]/div[4]/**div[1]** /div[2]/h3/span[2]/a /html/body/div[3]/div[1]/div/div[1]/div[4]/**div[2]** /div[2]/h3/span[2]/a /html/body/div[3]/div[1]/div/div[1]/div[4]/**div[3]** /div[2]/h3/span[2]/a

通过观察我们发现,这几个xpath只有细微不同,上面加粗的部分已数加的格式改变，所以我们要爬取所有的 commentator（评论者），只需把xpath改为：

/html/body/div[3]/div[1]/div/div[1]/div[4]/**div**/div[2]/h3/span[2]/a

即不要后面的序号，当我们查询时，会自动捕获类似的xpath。

同样的分析，我们可以得到评论内容的xpath为：

/html/body/div[3]/div[1]/div/div[1]/div[4]/**div**/div[2]/p

# （跟在上面代码后）解析页面，并输出获取内容\\ a = etree.HTML(get_data)\\ commentator = s.xpath(/html/body/div[3]/div[1]/div/div[1]/div[4]/div/div[2]/h3/span[2]/a/text())\\ comment_content = a.xpath(/html/body/div[3]/div[1]/div/div[1]/div[4]/div/div[2]/p/text())\\ # 解析获取内容，去除多余内容\\ for i in range(0,len(files)):\\ print(commentator[i]+说：)\\ files[i].strip(r\\n)\\ files[i].strip( )\\ print(comment_content[i])

运行结果

Oriol Paulo说： Wrath of silence is quite different from the crime movies Ive seen. Its a mix of genres. Its a crime movie,a mystery movie,an action movie,its also a social realistic movie. Xin Yu Kun plays very well the mix of different genres in this film,and it has a powerful ending.文文周说：对于平均水准以上的年轻导演，应毫不吝啬予以鼓励，对于年龄一大把了还言之无物的导演，才要无情打击。西楼尘说：老板儿子吃真空羊肉，贪婪绞入碎肉机；屠夫儿子喝污染井水，正义只在电视屏。戳瞎左眼，被戳伤的同乡都能包庇；咬断舌头，被救助的律师却不敢发声。凭蛮力垒不成金字塔，靠假声变不成兔子妈。超人面具如同良心咒，送不回原主；寻子告示像是招魂符，在风里飘摇。真相埋进泥土，藏入山洞，终于再无人知。#85说：忻钰坤第二部作品不是一部秀操作的《心迷宫2.0》，要说风格像谁，都像也都不像：凝视山洞的库布里克单点透视、像科恩兄弟一样塑造的神经质杀手、《老男孩》一样的长廊Fight…不一样的是，不只是想告诉你凶手是谁，而是他的选择，以及像手术刀一样划开上层失态、中层失德、底层失语、人间失格的社会症结一口吃掉小蛋糕说：结尾太赞，配乐非常喜欢，如果能去掉字幕就好了。从姜武拿起烟灰缸的时候就猜到了结尾。只不过细思极恐，井水为什么越来越咸？为什么那么多人都水肿？村长是知道的，不然不会喝矿泉水。然而这个梗，最后却没有过多的交代大大肉罐说：上层伪善残暴，中层冷漠自私，下层失语无力。武侠小王子说：当年摩托罗拉的电量还是大大不如诺基亚。劉瀟陽说：仅仅是80%成片，已经精彩绝伦。中国类型片就该这么拍。良好的多线叙事控制力，深穴映射人性，爆炸增长的经济，暴裂难控的社会问题，男人无声的愤恨和伤痛，就像无法发声的底层人民。黑暗结尾，孩子没有寻回，真相没有昭显，这却是社会真相。有时恶人作恶，仅是为了与相同利益者变成真正的同盟。木卫二说：不断向下，堕入黑暗的那种片子，鞭挞了社会主要矛盾，且不负责提供解谜快感，所以看完会很沉，很堵。如果《心迷宫》还是手工时代的自发创作，《暴裂无声》明显是工业时代（卡司动作特效）的考量，三人较劲，律师一角太弱，宋洋战力太强，姜武模式化。优点和缺陷都比较明显。巴伐利亞酒神说：结局太他妈的屌了，看完在影院倒吸一口凉气。影射也很牛逼啊，1984的摩托牌照，一个底层屌丝的人设为哑巴（没有话语权），律师（代表中产和法律）和煤老板（代表权贵和黑恶势力）的相互勾结。所以即便张保民拥有《黄海》里绵正赫那样爆表的武力值，也只能沦为这个残酷社会的牺牲品。凌睿说：当你望着深渊的时候，深渊也在望着你。frozenmoon说：昌万年是食肉者，徐文杰是喝汤的，而张保民本人就是“肉”，原本他们在食物链的一个位置安之若素的扮演自己的角色，但意外冲垮了一切。失控之后，每个人都发现自己不过都是“肉”，昌摘下假发和西装，也得臣服于暴力和运气，徐走出金钱和言辞的保护也要面对残酷，张的代价或许更大。人性暴裂的闷响。无耻不混蛋说：影片最打动我的，不是那些显而易见、甚至昭然若揭的隐喻，而是整部影片的“失语”。我们属于“失语的一代”，对应片中，不仅仅只是表层的哑巴张保民的“生理性失语”，更是，精英阶层律师在片尾所选择的“主动性失语”。而影片对“失语”的精准展示，不仅敏感捕捉到了时代痛点，而且极为戳痛人心。

3.实现翻页，并把评论人和评论内容存入csv文件

翻页1

和前面分析xpath不同，我们只要找出每页之间url的不同之处和规律即可。

# start 属性表示开始位置\\ turn_page1 = https://movie.douban.com/subject/26647117/comments?status=P\\ turn_page2 = https://movie.douban.com/subject/26647117/comments?start=20& limit=20& sort=new_score& status=P\\ turn_page3 = https://movie.douban.com/subject/26647117/comments?start=40& limit=20& sort=new_score& status=P\\ turn_page4 = https://movie.douban.com/subject/26647117/comments?start=60& limit=20& sort=new_score& status=P

观察发现，除了第一个，每个url就只有 start的值不同，而且每次增加20，上面已经说了start属性，通过观察我们也不难发现，每个页面只有20条评论，这个是由 limit这个属性控制的（小编已经试过，人为改动是没有用的，估计是豆瓣的反爬，但并不影响我们），我这里想说明的是这个start的值之所以会以20为增量，就是这个 limit 控制的。

翻页2

# 获取评论总数\\ comment_counts = a.xpath(/html/body/div[3]/div[1]/div/div[1]/div[1]/ul/li[1]/span/text())\\ comment_counts = int(comment_counts[0].strip("看过()"))\\ # 计算出总的的页面数（每页有20条评论）\\ page_counts = int(comment_counts/20)\\ # 请求访问，并把爬取数据存入csv文件\\ for i in range(0,page_counts):\\ turn_page_url = https://movie.douban.com/subject/26647117/comments?start=& limit=20& sort=new_score& status=P.format(i*20)\\ get_respones_data(turn_page_url)

在完成上面之前，我们肯定要把之前写的代码进行修改，让代码看起，我们可以把前面写的代码封装成一个函数get_respones_data()，传入一个访问url参数,获得返回的HTML。
代码实现

import requests\\ from lxml import etree\\ import pandas as pd\\ def get_respones_data(douban_url = https://movie.douban.com/subject/26647117/comments?status=P):\\ # requests 发送请求\\ get_response = requests.get(douban_url)\\ # 将返回的响应码转换成文本（整个网页）\\ get_data = https://www.songbingjia.com/android/get_response.text// # 解析页面// a = etree.HTML(get_data)// return a// first_a = get_respones_data()// # 翻页// comment_counts = first_a.xpath(/html/body/div[3]/div[1]/div/div[1]/div[1]/ul/li[1]/span/text())// comment_counts = int(comment_counts[0].strip("看过()"))\\ page_counts = int(comment_counts / 20)\\ #小编已经测试过了，如果没有登入的话最多只能访问10个页面，也就是200条评论\\ #下一期小编将教大家如何应对反爬\\ for i in range(0, page_counts+1):\\ turn_page_url = https://movie.douban.com/subject/26647117/comments?start=& limit=20& sort=new_score& status=P.format(\\ i * 20)\\ print(turn_page_url)\\ a = get_respones_data(turn_page_url)\\ # 获取评论人和评论内容\\ commentator = a.xpath(/html/body/div[3]/div[1]/div/div[1]/div[4]/div/div[2]/h3/span[2]/a/text())\\ comment_content = a.xpath(/html/body/div[3]/div[1]/div/div[1]/div[4]/div/div[2]/p/text())\\ # 解析内容，并存入csv文件\\ content = [for i in range(0, len(commentator))]\\ for i in range(0, len(commentator)):\\ comment_content[i].strip(r\\n)\\ comment_content[i].strip( )\\ content_s = [commentator[i],comment_content[i]]\\ content[i] = content_s\\ name = [评论人,评论内容]\\ file_test = pd.DataFrame(columns=name, data=https://www.songbingjia.com/android/content)// if i == 0:// file_test.to_csv(rH://PyCoding//FlaskCoding//Test_all//test0609//app//comment_content.cvs,encoding=utf-8,index=False)// else:// file_test.to_csv(rH://PyCoding//FlaskCoding//Test_all//test0609//app//comment_content.cvs,mode=a+,encoding=utf-8,index=False)

数据可视化安装新模块

pip install jieba\\ pip install re\\ pip install csv\\ pip install pyecharts\\ pip install numpy

1解析数据

1with codecs.open(rH:\\PyCoding\\FlaskCoding\\Test_all\\test0609\\app\\comment_content.cvs, r, utf-8) as csvfile:\\ 2content = \\ 3reader = csv.reader(csvfile)\\ 4i =0\\ 5for file1 in reader:\\ 6if i == 0 or i ==1:\\ 7pass\\ 8else:\\ 9content =content + file1[1]\\ 10i = i +1\\ 11# 去除所有评论里多余的字符\\ 12content = re.sub([,，。. \\r\\n], , content)

2分析数据

# 切词，将整个评论分解成一个个的词语\\ segment = jieba.lcut(content)\\ words_df = pd.DataFrame(segment: segment)\\ # quoting=3 表示stopwords.txt里的内容全部不引用\\ stopwords = pd.read_csv(r"H:\\PyCoding\\FlaskCoding\\Test_all\\test0609\\app\\stopwords.txt", index_col=False, quoting=3, sep="\\t", names=[stopword], encoding=utf-8)\\ words_df = words_df[~words_df.segment.isin(stopwords.stopword)]\\ # 计算每个词语重复出现次数\\ words_stat = words_df.groupby(by=[segment])[segment].agg("计数": numpy.size)\\ words_stat = words_stat.reset_index().sort_values(by=["计数"], ascending=False)

3数据可视化

1 test = words_stat.head(1000).values\\ # 获取所有词语\\ 2 words = [test[i][0] for i in range(0,len(test))]\\ # 获取词语对于的出现次数\\ 3 counts = [test[i][1] for i in range(0,len(test))]\\ 4wordcloud = WordCloud(width=1300, height=620)\\ # 生成词云图\\ 5 wordcloud.add("爆裂无声", words, counts, word_size_range=[20, 100])\\ 6 wordcloud.render()

效果展示【#私藏项目实操分享#Python爬虫实战，requests+xpath模块，Python实现爬取豆瓣影评】