基于爬虫和Kettle的豆瓣电影的采集与预处理

一：爬虫 1、爬取的目标 将豆瓣电影网上的电影的基本信息，比如：电影名称、导演、电影类型、国家、上映年份、评分、评论人数爬取出来，并将爬取的结果放入csv文件中，方便存储。 2、网站结构     图1豆瓣网网站结构详情 此次实验爬取豆瓣网中电影页面中的电影的基本信息。 每一个电影包括电影名称、导演、电影类型、国家、上映年份、评分、评论人数。页面具体情况如图2所示。 图2豆瓣网电影基本信息详情 3、爬虫技术方案 1）、所用技术：          网站解析的使用的是Xpath、数据存储使用的是csv。 2）、爬取步骤： 1、导入所需的库，如re、time、requests、lxml、random和csv。 2、定义一个名为main的函数，该函数接受两个参数：page（页码）和f（文件对象）。 3、在main函数中，构造请求URL，设置请求头，并发送GET请求以获取网页内容。 4、使用lxml库解析网页内容，提取电影详情页的链接列表和电影名称列表。 5、遍历链接列表和名称列表，对于每个链接和名称，调用get_info函数来获取电影的详细信息。 6、在get_info函数中，同样构造请求URL，设置请求头，并发送GET请求以获取电影详情页的内容。 7、使用lxml库解析电影详情页的内容，提取导演、电影类型、国家、上映时间、评分和评论人数等信息。 8、打印提取到的信息，并将其写入CSV文件中。 9、在主程序中，创建一个CSV文件，并写入表头标题。 10、使用for循环遍历10个页面，调用main函数来爬取每一页的电影信息。 11、在每次循环之间，让程序休息一段时间，以避免过于频繁的请求导致IP被封禁。 4、爬取过程：     1）、导入所需要的包      import re from time import sleep import requests from lxml import etree import random import csv import re：导入正则表达式模块，用于处理字符串。 from time import sleep：从time模块导入sleep函数，用于让程序暂停执行一段时间。 import requests：导入requests模块，用于发送HTTP请求。 from lxml import etree：从lxml模块导入etree函数，用于解析HTML文档。 import random：导入random模块，用于生成随机数。 import csv：导入csv模块，用于操作CSV文件。 2）、设置请求头，定义min函数接收参数，访问连接提取列表    def main(page, f): url = f'https://movie.douban.com/top250?start={page * 25}&filter=' headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.35 Safari/537.36', } resp = requests.get(url, headers=headers) tree = etree.HTML(resp.text) # 获取详情页的链接列表 href_list = tree.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[1]/a/@href') # 获取电影名称列表 name_list = tree.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[1]/a/span[1]/text()') for url, name in zip(href_list, name_list): f.flush() # 刷新文件 try: get_info(url, name) # 获取详情页的信息 except: pass sleep(1 + random.random()) # 休息 print(f'第{i + 1}页爬取完毕')    3）、使用正则表达式开始爬取网页信息 def get_info(url, name): headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.35 Safari/537.36', 'Host': 'movie.douban.com', } resp = requests.get(url, headers=headers) html = resp.text tree = etree.HTML(html) # 导演 dir = tree.xpath('//*[@id="info"]/span[1]/span[2]/a/text()')[0] # 电影类型 type_ = re.findall(r'property="v:genre">(.*?)', html) type_ = '/'.join(type_) # 国家 country = re.findall(r'地区: (.*?) 4）、将爬取结果放入csv文件中 5、爬虫结果 二：预处理 1、删除列     1）、新建转换，之后使用文件输入，将csv文件输入进行处理      之后进行字段获取。 2）、选择转换中的字段选择进行列删除，将上映时间这个列进行删除。 2、选择转换中的增加常量，增加评论数量这一列，查询电影评论的数量这一情况。      最后选择文本文件输出，将处理好的数据输出，输出的格式是csv文件，分割符用逗号隔开，编码用UTF-8J进行转码，防止输出文件中有乱码。文本文件命名成姓名_处理完成_csv。 4、预处理完全处理全流程： 三：爬虫数据源代码 代码： import re from time import sleep import requests from lxml import etree import random import csv def main(page, f): url = f'https://movie.douban.com/top250?start={page * 25}&filter=' headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.35 Safari/537.36', } resp = requests.get(url, headers=headers) tree = etree.HTML(resp.text) # 获取详情页的链接列表 href_list = tree.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[1]/a/@href') # 获取电影名称列表 name_list = tree.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[1]/a/span[1]/text()') for url, name in zip(href_list, name_list): f.flush() # 刷新文件 try: get_info(url, name) # 获取详情页的信息 except: pass sleep(1 + random.random()) # 休息 print(f'第{i + 1}页爬取完毕') def get_info(url, name): headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.35 Safari/537.36', 'Host': 'movie.douban.com', } resp = requests.get(url, headers=headers) html = resp.text tree = etree.HTML(html) # 导演 dir = tree.xpath('//*[@id="info"]/span[1]/span[2]/a/text()')[0] # 电影类型 type_ = re.findall(r'property="v:genre">(.*?)', html) type_ = '/'.join(type_) # 国家 country = re.findall(r'地区: (.*?)