代码收藏家技术教程 2022-11-20

用python爬取豆瓣影评及影片信息(评论时间、用户ID、评论内容)

爬虫入门：python爬取豆瓣影评及影片信息：影片评分、评论时间、用户ID、评论内容

豆瓣网作为比较官方的电影评价网站，有很多对新上映影片的评价，不多说，直接进入正题。
豆瓣电影网页

思路分析

爬取的目标网站为豆瓣网，链接: https://movie.douban.com/chart。可以看到最新上映的电影的相关信息，但是含有电影评论的网址是一个二级链接，需要点击电影进入详细信息才可以查看，所以第一步需要获得影片的链接。观察后可以看到链接如下：
二级网址链接形式
使用BeautifulSoup和正则表达式re库可以解析这个网站所在的class以及确定具体链接所在的位置，具体方式如下：

bs = BeautifulSoup(html.text,'html.parser')
movie_list = bs.find_all(class_='item')
#定位链接元素
links = re.compile('class="nbg" href="(.*?)" title=')
links = re.findall(links,str(movie_list))

可以在控制台看到是否查询成功，得到的结果如下：

['https://movie.douban.com/subject/35118954/', 'https://movie.douban.com/subject/35414623/', 'https://movie.douban.com/subject/35230876/', 'https://movie.douban.com/subject/34477861/', 'https://movie.douban.com/subject/35507172/', 'https://movie.douban.com/subject/35700395/', 'https://movie.douban.com/subject/30362175/', 'https://movie.douban.com/subject/35240235/', 'https://movie.douban.com/subject/35073886/', 'https://movie.douban.com/subject/35056243/']在这里插入代码片

拿到这些链接之后，在分别请求这些链接，分析页面，就可以拿到最后所需要的数据。

for item in links:
	#TODO 解析页面 定位元素
	...
	pass

元素定位

分析页面得到各个所需的信息所在位置综合使用re和BeautifulSoup定位即可以用户ID为例：（因为这里有短评和长评两种，所以分开查询）

 #用户名称
    user = comment.find_all(class_ = 'comment-info')
    user = re.findall('href.*?/">(.*?)</a>',str(user))
    subscriber = re.findall('class="name".*?href.*?/">(.*?)</a>',str(long_comment))
    #print(subscriber) 打印用户名称信息
    #['CydenyLau', '斯宾诺莎画板', 'Zion', '莫选好片', '小小X', '今夜', 'Maggie_in_LA', 'Gary', '辉兔的爱与生活', '职业影迷']

这里有一个小tips：查找元素的时候要由大到小查询，先查询大的包含的元素，在慢慢锁定自己需要的内容、有用的信息。理论上来说是可以直接用re精确定位到自己所需要的元素但是这样定位的精度低、错误率高，不建议使用。

完整代码

完整代码如下，复制就可以直接使用，最后使用Dataframe存储数据，也可以保存到本地：

import requests
import re
from bs4 import BeautifulSoup
import pandas as pd

url = 'https://movie.douban.com/chart'
#headers是将爬虫脚本伪装为浏览器请求 如果没有浏览器headers 请求结果是空的 所以一定要加headers
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36'
}
html = requests.get( url , headers = headers)
bs = BeautifulSoup(html.text,'html.parser')
movie_list = bs.find_all(class_='item')
#定位链接元素
links = re.compile('class="nbg" href="(.*?)" title=')
links = re.findall(links,str(movie_list))


#为代码整洁 减少冗余代码 
def collection_data(pakeage = None ,data = None):
    for item in data:
        item.replace(" " ,'')
        pakeage.append(item)
    return pakeage
#声明容器
movies_title,release_date,movies_rate,comment_user,movie_comment,comment_postline= [],[],[],[],[],[]
#通过链接找到新的页面
for item in links[:1]:
    page = requests.get(item,headers=headers)
    page = BeautifulSoup(page.text,'html.parser')

    #标题
    title = page.find_all(id = 'content' )
    set_title = re.compile('property="v:itemreviewed">(.*?)</span>')
    title = re.findall(set_title,str(title))
    #年份
    year = page.find_all(class_ = 'year')
    year = re.findall(">(.*?)</span>",str(year))
    
    #评分
    rate = page.find_all(class_ = 'll rating_num')
    rate = re.findall('"v:average">(.*?)</strong>',str(rate))

    #短评信息
    comment = page.find_all(class_="comment")
    comment = BeautifulSoup(str(comment),'html.parser')
    #发表时间
    postline = comment.find_all(class_= 'comment-time')
    postline = re.findall('title="(.*?)"',str(postline))
    #评论内容
    short_commentary = comment.find_all(class_ = 'comment-content')
    short_commentary = re.findall('"short">(.*?)</span>',str(short_commentary))
    #用户名称
    user = comment.find_all(class_ = 'comment-info')
    user = re.findall('href.*?/">(.*?)</a>',str(user))
    
    #正常影评
    long_comment = page.find_all(class_ = 'main review-item' )
    #用户
    subscriber = re.findall('class="name".*?href.*?/">(.*?)</a>',str(long_comment))
    #评论发表时间
    long_comment = BeautifulSoup(str(long_comment),'html.parser')
    set_time = re.compile('main-meta".*?">(.*?)</span>')
    posttime = re.findall(set_time,str(long_comment))
    #
    commentary = long_comment.find_all(class_ = 'short-content' )
    set_comment = re.compile('"short-content">(.*?)\(<a.*?</a>',re.S)
    commentary = re.findall(set_comment,str(commentary))
    
    comment_user = collection_data(comment_user,user)
    comment_user = collection_data(comment_user,subscriber)

    movie_comment = collection_data(movie_comment,short_commentary)
    movie_comment = collection_data(movie_comment,commentary)

    comment_postline = collection_data(comment_postline,postline)
    comment_postline = collection_data(comment_postline,posttime)

    for i in range(len(comment_postline)):
        movies_title = collection_data(movies_title,title)
        release_date = collection_data(release_date,year)
        movies_rate = collection_data(movies_rate,rate)


dataframe = pd.DataFrame({
    "title":movies_title,
    "release_date":release_date,
    "rate":movies_rate,
    "user":comment_user,
    "comment":movie_comment,
    "postline":comment_postline
})
#保存信息到本地
#dataframe.tocsv("本地路径",encoding = 'gbk')

如果对本文有任何疑问欢迎讨论交流！点个赞再走哦！