爬虫实战2(下）：爬取豆瓣影评

 
 上篇笔记我详细讲诉了如何模拟登陆豆瓣，这次我们将记录模拟登陆+爬取影评（复仇者联盟4）实战。本文行文结构如下：

1. 模拟登陆豆瓣展示

2. 分析网址和源码爬取数据

3. 进行面对对象重构

4. 总结
    

一、模拟登陆豆瓣

 
 模拟登陆在上文已经详细介绍如何利用post方式登陆，这里不再赘述，直接给出源码如下：

import requests

# 1.设置URL 和 headers
loginURL = "https://accounts.douban.com/j/mobile/login/basic"
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"
}

# 2.分析表单
data = {
    "ck": "",
    "name": "你的账号",
    "password": "你的密码",
    "remember": "false",
    "ticket": ""
}

# 3.创建session对象保存对话
session = requests.Session()
session.post(url=loginURL, headers=headers, data=data)

# 4.开始登陆豆瓣
# （测试）比如获取登陆后我的主页信息
personalURL = "https://www.douban.com/people/195562116/"
r = session.get(personalURL)
if r.status_code == 200:
    print("登陆成功!\n")
else:
    print("登陆失败！")

 

二、分析爬取数据

 
  登陆豆瓣我们就可以爬取500条豆瓣影评（不登录200条），上文我们已经分析出每一页评论URL变化规律：

  那么下文我们主要精力便在正则分析 & 数据保存这两块。

 

1.正则分析

 
 审查元素我们可以发现:

• 作者信息在标签< div class=“avatar”>下，正则匹配为：

  author = re.compile('', re.S)  # 作者
  

• 赞同数在标签< span class=“comment-vote”>下，正则匹配为：

  votes = re.compile('(.*?)', re.S) #赞同
  

• 评论正文在< span class=“short”>下，正则匹配为：

  content = re.compile('(.*?)', re.S)  # 内容
  

 将这些正则写在一起一一对应匹配：

# 5.正则匹配
pattern = re.compile('' +  # 作者
                     '.*?(.*?)' +  # 赞同数
                     '.*?(.*?)',  # 内容
                     re.S)  # re.S使得.也可以匹配空格

 完成正则匹配后，开始将数据保存。

 

2.数据保存

 
 数据保存，我们要import time库，每下载一页数据停止3S，否则可能会被断开连接/封IP。

• 设置路径

  # 6.数据保存
  path = "C:\\Users\\86151\\Desktop\\编程笔记\\爬虫实战2(下）：爬取豆瓣数据\\复仇者联盟4影评.txt"
  

• 循环下载数据（前10页）

  for i in range(0, 10):
      index = i*20
      commentsURL = "https://movie.douban.com/subject/26100958/comments? start="+str(index)+"&limit=20&sort=new_score&status=P"
      response = session.get(commentsURL)
      page_code = response.text
      commentsItems = re.findall(pattern, page_code)
      for item in commentsItems:
          with open(path, 'a', encoding='utf-8') as f:   # 注意要重编码
              f.write("\n作者：{0}  赞同数：{1}\n\n {2}".format(item[0], item[1], item[2]))
              f.write("\r\n-------------------------------------------------------------------------------------------\r\n")
      time.sleep(3) # 太快防止被检测爬虫
      print("下载第{}页数据完毕！\n".format(i+1))
  

• 结果
  

三、面对对象重构

 
 代码重构成面对对象，方便代码复用，现附录代码如下：

import requests
import time
import re


class doubanSpider:

    def __init__(self):
        self.loginURL = "https://accounts.douban.com/j/mobile/login/basic"
        self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"}
        self.data = {
                    "ck": "",
                    "name": "",
                    "password": "",
                    "remember": "false",
                    "ticket": ""
                    }
        self.session = requests.Session()
        self.savePath = "C:\\Users\\86151\\Desktop\\编程笔记\\爬虫实战2(下）：爬取豆瓣数据\\复仇者联盟4影评.txt"

    def login(self, userName, password):
        self.data["name"] = userName
        self.data["password"] = password
        r = self.session.post(url=self.loginURL, headers=self.headers,data=self.data)
        if r.status_code == 200:  # 可能状态码是200但登录失败（比如弹出验证码），下篇博文解决
            print("登录成功！")
        else:
            print("登录失败！")

    def download(self, pages=10):
        pattern = re.compile('' +      
                             '.*?(.*?)' + 
                             '.*?(.*?)',                       
                             re.S)
        for i in range(0, pages):
            index = i*20
            commentsURL = "https://movie.douban.com/subject/26100958/comments?start="+str(index)+"&limit=20&sort=new_score&status=P"
            response = self.session.get(commentsURL)
            page_code = response.text
            commentsItems = re.findall(pattern, page_code)
            for item in commentsItems:
                with open(self.savePath, 'a', encoding='utf-8') as f:   # 注意要重编码
                    f.write("\n作者：{0}  赞同数：{1}\n\n {2}".format(item[0], item[1], item[2]))
                    f.write("\r\n---------------------------------------------------------------------------------\r\n")
            time.sleep(3)
            print("下载第{}页数据完毕！\n".format(i+1))
        print("下载完成！")


if __name__ == '__main__':
    spider = doubanSpider()
    spider.login("你的账号", "你的密码")
    spider.download(10)  # 下载前十页评论

 

四、总结

 
 爬虫到此已经可以登录一些简单反爬虫网站爬取数据了，但仍然有三个问题亟待解决：

• 验证码如何解决
• 由于网页异步加载等方式爬取到源码与审查元素不一致（如豆瓣搜索）
• FormDate数据被加密，如何模拟post方式登陆（如知乎登陆），

 基于此，下次知乎实战，我们将用到python+Selenium+re模拟真实浏览器登陆爬取知乎帖子图片下载。