Python第三个项目：爬取豆瓣《哪吒之魔童降世》短评

原创

祈澈菇凉 2022-03-01 11:48:03 ©著作权

文章标签 html 自动生成 safari 文章分类 Python 后端开发

©著作权归作者所有：来自51CTO博客作者祈澈菇凉的原创作品，请联系作者获取转载授权，否则将追究法律责任

前面爬完网站信息图片之后，今天的又有了个小目标，最近的电影哪吒很火，去豆瓣上看了一下影评，决定了今天主要是实现Python第三个项目：爬取豆瓣《哪吒之魔童降世》短评，然后下载在excel表格里面查看。

目标链接：https://movie.douban.com/subject/26794435/comments

在网上找了一个开源的小例子，但是豆瓣的网页结构以及有所调整，爬到的时间和评论都是空的，对代码进行了一些修改，可以爬取豆瓣最新的网页里面某部电影的短评，如果需要其他电影短评，直接改一下参数链接即可。

#_*_coding:utf-8_*_
import requests
import re
import csv
import time
from lxml import etree

def get_one_page(url):
   try:
       headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'}
       response = requests.get(url,headers=headers,timeout=10)
       if response.status_code == 200:
           # print(response.text)
           return response
       return None
   except EOFError as e:
       print(e)
       return None


def parse_one_page(res,info):
   info = []
   res = etree.HTML(res.content.decode())
   nodes_list = res.xpath('//div[@class="comment-item"]')
   for node in nodes_list:
       comic = {}
       comic['User'] = node.xpath('.//span[@class="comment-info"]/a/text()')[0].strip()
       comic['Time'] = node.xpath('.//span[@class="comment-info"]/span[3]/text()')[0].strip()
       comic['Comment'] = node.xpath('.//span[@class="short"]/text()')[0].strip()
       print(comic)
       info.append(comic)
   return info


def write_to_file(info):
    with open('《哪吒之魔童降世》短评.csv','a',newline='') as f:
       fieldnames = ['User','Time','Comment']
       writer = csv.DictWriter(f,fieldnames=fieldnames)
       writer.writeheader()
       try:
           writer.writerows(info)
       except:
           pass


def main(start):
   info = {}
   url = 'https://movie.douban.com/subject/26794435/comments?start=' + str(start) + '&limit=20&sort=new_score&status=P&percent_type='
   html = get_one_page(url)
   data = parse_one_page(html,info)
   write_to_file(data)


if __name__ == '__main__':
   for i in range(10):
       main(i*20)
       print('第{}本页采集完毕。'.format(str(i))) # 采集完一页后的标识
       time.sleep(1) # 采集完一页休息一秒