爬虫项目实战2——豆瓣电影影评爬取

    众所周知，爬虫的常用工具分为三大类：re、bs4（BeautifulSoup4）以及xpath，不同的工具有不同的使用场景，首先详细介绍一下：

1. 正则表达式（re）：

1.1 使用场景：

当需要处理简单的文本匹配、替换和提取时，可以使用正则表达式。例如，在文本中查找特定模式的字符串、替换文本中的特定字符等。

1.2 示例用途：

抓取网页中的特定数据、提取电子邮件地址、过滤无效或不必要的文本等。

2. BeautifulSoup4（bs4）：

2.1 使用场景：

当需要从HTML或XML文档中提取特定标签、内容或属性时，可以使用BeautifulSoup4库。它提供了简单而灵活的API，方便地从文档中抽取所需的数据。

2.2 示例用途：

网页爬虫、数据抓取、数据清洗等。

3. XPath：

3.1 使用场景：

XPath是一种查询语言，用于在XML和HTML文档中定位和选择节点。它提供了一种简洁而强大的方式来解析文档和提取所需的信息。

3.2 示例用途：

从XML文档中提取特定的数据、通过选择器抓取特定元素等。

    ok，进入正题，这一篇爬虫代码往往会伴随着数据分析使用，数据分析后面再说，先说说这一篇代码。

    使用了简单的xpath方法，在代码开头使用了headers伪装了一下，防止被检测到是爬虫，随后就是xpath的经典请求方法，去匹配到最后要输出的用户名、评价星级和评价内容等数据，最后使用with语句，来定义输出的方式为检测文件夹（若没有该文件夹则新建），将爬取到的内容添加到text文件内。

    最后是需要注意的点，代码中并没有考虑到如果该文件夹内有文件，文件中有内容的情况。换句话说就是，如果已经爬取过一次输出了影评，第二次换一个id去爬取，不会出现覆盖的情况，这一点可以留给大家去思考一下该如何去定义和修改。话不多说，上代码：

import os

import requests
from lxml import etree

# 设置头部信息，防止被检测出是爬虫
headers = {
    'Host': 'movie.douban.com',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61 Safari/537.36',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9'
}

id = input('请输入电影id：')
page = int(input('请输入爬取的页数：'))

# 循环请求接口
for i in range(0, page):
    # 循环请求每页的数据
    re = requests.get(
        url='https://movie.douban.com/subject/%s/comments?start=%d&limit=20&sort=new_score&status=P' % (id, 20 * i),
        headers=headers).text
    # 构造了一个XPath解析对象并对HTML文本进行自动修正
    html = etree.HTML(re)
    # XPath使用路径表达式来选取用户名
    comment = html.xpath('//div[@class="comment"]')
    for content in comment:
        names = content.xpath('.//a[@class=""]')
        grades = content.xpath('.//span[contains(@class,"rating")]')
        texts = content.xpath('.//span[@class="short"]')
        name = names[0].xpath('./text()')[0]
        if len(grades) > 0:
            grade = grades[0].xpath('./@class')[0][7:8] + '星'
        else:
            grade = '暂无评价'
        text = texts[0].xpath('./text()')[0]
        # 文件夹不存在，则创建文件夹
        save_path = './douban'
        folder = os.path.exists(save_path)
        if not folder:
            os.makedirs(save_path)
        with open('./douban/影评.text', 'a+', encoding='utf-8') as f:
            f.write('用户名：%s\n' % name)
            f.write('评价：%s\n' % grade)
            f.write('评论内容：%s\n' % text)
            f.write('==========================================================================\n')

    代码已经附文件了，后续有问题和建议的欢迎大家叨扰。感谢支持！