当前位置 博文首页 > 小航冲冲冲的博客:python爬取豆瓣影评存数据库【新手必入】
需要用到的库
import requests
from time import sleep
from lxml import etree
import pymysql
首先看看我们要爬的页面链接
https://movie.douban.com/subject/30313969/comments?start=0&limit=20&status=P&sort=new_score
?这个链接只是第一页,我们要爬取所有的数据,就必须翻页一页一页的爬
我们先看看第二页的网页链接
https://movie.douban.com/subject/30313969/comments?start=20&limit=20&status=P&sort=new_score
我们发现 ?start= 这个地方出现了变化,从0 变成了 20 其他都没变, start中文意思是开始,简单分析可得,一页有二十个评论,所以后面的按照 ?start=40,?start=60 依次递增
可以写个for循环实现,也不爬取太多,前200个评论即可?
for i in range(0,220,20):
#转为字符串类型
i = str(i)
#将i代入
url = 'https://movie.douban.com/subject/30313969/comments?start='+i+'&limit=20&status=P&sort=new_score'
添加UA伪装请求头?
# UA伪装请求头
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chromeh/81.0.4044.138 Safari/537.36'
}
按F12查看网页源代码,并分析数据
使用xpath进行数据爬取
for i in range(0,220,20):
#转为字符串类型
i = str(i)
#将i代入
url = 'https://movie.douban.com/subject/30313969/comments?start='+i+'&limit=20&status=P&sort=new_score'
response = requests.get(url=url,headers=header).text
tree = etree.HTML(response)
ul = tree.xpath('//div[@class="comment"]')
#遍历二十个存储评论信息的div
for li in ul:
#网名
name = li.xpath('.//span[@class="comment-info"]/a/text()')[0]
#评价
rating = li.xpath('.//span[@class="comment-info"]/span[2]/@title')[0]
# 评论时间 # 评论时间 这里会有换行和许多空格
timed = li.xpath('.//span[@class="comment-info"]/span[3]/text()')[0]
#去掉空格
times = timed.replace(" ",'')
#去掉换行
time = times.replace("\n", "")
#评论
comment = li.xpath('.//span[@class="short"]/text()')[0]
print('网名:',name,' 评价:',rating,' 时间:',time,' 评论:',comment)
接下来开始存入数据库
在数据库里创建一个叫douban的库,再创建一个叫data的表用于存放数据
?
存入数据库
#连接数据库
conn = pymysql.connect(host='localhost', port=3306, user='数据库用户名', passwd='数据库密码', database='douban',charset='utf8')
# 生成游标对象
cur = conn.cursor()
#使用添加语句
sql1 = "INSERT INTO data VALUES (%s,%s,%s,%s)"
#这里写上sql1的四个%s对应的值
da = [name,rating,time,comment] #[网名,评价,时间,评论]
try:
cur.execute(sql1, da) # 执行插入的sql语句
conn.commit() # 提交到数据库执行
except Exception:
# 发生错误时回滚
conn.rollback()
print("出现错误/可能与重复的值有关")
conn.close() # 关闭数据库连接
?
import requests
from time import sleep
from lxml import etree
import pymysql
# UA伪装请求头
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chromeh/81.0.4044.138 Safari/537.36'
}
for i in range(0,200,20):
#转为字符串类型
i = str(i)
#将i代入
url = 'https://movie.douban.com/subject/30313969/comments?start='+i+'&limit=20&status=P&sort=new_score'
response = requests.get(url=url,headers=header).text
tree = etree.HTML(response)
ul = tree.xpath('//div[@class="comment"]')
#遍历二十个存储评论信息的div
for li in ul:
#网名
name = li.xpath('.//span[@class="comment-info"]/a/text()')[0]
#评价
rating = li.xpath('.//span[@class="comment-info"]/span[2]/@title')[0]
# 评论时间 # 评论时间 这里会有换行和许多空格
timed = li.xpath('.//span[@class="comment-info"]/span[3]/text()')[0]
#去掉空格
times = timed.replace(" ",'')
#去掉换行
time = times.replace("\n", "")
#评论
comment = li.xpath('.//span[@class="short"]/text()')[0]
#连接数据库
conn = pymysql.connect(host='localhost', port=3306, user='数据库用户名', passwd='数据库密码', database='douban',charset='utf8')
# 生成游标对象
cur = conn.cursor()
#使用添加语句
sql1 = "INSERT INTO data VALUES (%s,%s,%s,%s)"
#这里写上sql1的四个%s对应的值
da = [name,rating,time,comment] #[网名,评价,时间,评论]
try:
cur.execute(sql1, da) # 执行插入的sql语句
conn.commit() # 提交到数据库执行
except Exception:
# 发生错误时回滚
conn.rollback()
print("出现错误/可能与重复的值有关")
conn.close() # 关闭数据库连接
#做一个进度条显示进度
i = int(i)
print("已将%s条评论存入数据库中"%i)
?