EX1 | 用Python爬取猫眼电影 APP 关于《无双》电影评论

nianqunsh 2018-10-15 21:45:22 2134

在本次推送中,以猫眼电影 APP 中的电影评论作为爬取目标,完成对网页数据的采集。在采集完成后,我们将每个评论数据采集分用户名、评论时间、用户性别、用户等级、用户所在城地、用户评分、以及评论内容等,并将它们以 .xls 的文件格式进行保存。

《无双》电影

1 准备工作

在爬虫开始之前,请确保已经安装好了 requests 库、xlwt 库以及 json 库。如果没有安装,请使用 cmd 打开命令行界面,输入以下代码:

pip install requests
pip install xlwt
pip install json 

2 抓取分析

我们发现,在猫眼PC端的网页中,只存在最热门的10条评论数据,这显示是不够支撑我们进行后续的数据分析的。

猫眼PC端网页地址 https://maoyan.com/films/342166

猫眼电影《无双》共计31.9万人评分

因此,我们选择登录手机网页版本,即

猫眼移动端网页地址 http://m.maoyan.com/movie/342166/comments?_v_=yes

猫眼移动端网页

按下 F12 或者鼠标点击右键检查按钮,点击进入Network一栏。如下图所示:

分析网页代码

随后我们再次按下 F5 刷新按钮,有时需要按下 CTRL + F5组合键。便能够将页面再次刷新。寻找网站评论入口,如下图所示:

寻找网站评论入口

可以看到里面包含了 Request URL(请求地址)、Request Method(请求方式)、Status Code(状态码)等信息。再往下翻比较重要的信息就是 HostRefererUser-Agent、以及X-Requested-With等信息。

这些信息获取之后,我们便可以开始今天的爬虫工作了。

3 爬取信息

首先,我们需要导入一些第三方库。具体如下:

import requests
import xlwt
import json

其中,requests 库是用来向服务器发送 GET 类型的请求,xlwt 库是用来操作 .xls 文件的,而我们的数据因为是 json 格式的数据,因此需要对它进行解析,这里便用到了 json 库。

3.1 设置请求头

一般情况下,为了避免触发反爬虫机制,需要完善一下请求头信息,这里我们把它作为一个独立的函数方便后续调用,具体如下:

def get_page(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36',
        'Cookie':'_lxsdk_cuid=1661ae34b39c8-0c8c15380422c-2711639-144000-1661ae34b39c8; v=3; __utma=17099173.21012536.1539393286.1539393286.1539393286.1; __utmc=17099173; __utmz=17099173.1539393286.1.1.utmcsr=google|utmccn=(organic)|utmcmd=organic|utmctr=(not%20provided); __utmb=17099173.2.9.1539393288643; uuid_n_v=v1; iuuid=B7EC5090CE8511E89675C9EEEAD92C526D3F6AA2E9344F5091F4218FA118AAEF; webp=true; ci=55%2C%E5%8D%97%E4%BA%AC; __mta=207950381.1538049396050.1539393287057.1539393443480.10; _lx_utm=utm_source%3Dgoogle%26utm_medium%3Dorganic; _lxsdk=B7EC5090CE8511E89675C9EEEAD92C526D3F6AA2E9344F5091F4218FA118AAEF; _lxsdk_s=1666af306c5-403-5fd-037%7C%7C45',
        'Host':'m.maoyan.com',
        'Referer':'http://m.maoyan.com/movie/342166/comments?_v_=yes',
        'X-Requested-With':'superagent'
    }
    return requests.get(url,headers = headers)

接下来我们便开始网页评论的爬取工作。

3.2 评论爬取与保存

在分析爬取的网址时,具体如下:

http://m.maoyan.com/mmdb/comments/movie/342166.json?_v_=yes&offset=0&startTime=0
http://m.maoyan.com/mmdb/comments/movie/342166.json?_v_=yes&offset=15&startTime=2018-10-15%2016%3A56%3A10
http://m.maoyan.com/mmdb/comments/movie/342166.json?_v_=yes&offset=30&startTime=2018-10-15%2016%3A56%3A10

我们发现,网页请求URL前面部分都是一致的,只有在 offset 的地方才发生改变,而后面的 startTime 便是你此刻获取最新评论的最后时间(这里的内容不是很重要,我们可以从任意时间获取评论)。最简单的做法就是我们直接更改 offset 位置的数字,从0,15,30,……一直加下去。

但是这个时候问题又出现了,采取这一方式只能获取当天的前1000条评论,怎么办?后来我又发现可以对 startTime 的时间进行修改。比如当前的日期是2018-10-15,只要电影上映后,任意的时间日期我都可以获取到数据。此时可以再加入一个对日期的循环。

这里的爬取网页 URL 的任务我们便完成了,接下来便是对数据的保存工作。我们选择 .xls 文件进行保存,因为第三方 xlwt 库只能对文件保存一次,后续的修改将会覆盖之间的内容。因此我们将文件的保存一并写入评论获取的函数中,方便操作。具体代码如下:

def get_comment():
    comment = [None] * 7
    file = 'Project_Gutenberg_comment.xls'
    # 创建一个Excel
    book = xlwt.Workbook()
    # 在其中创建一个名为'无双'的sheet
    sheet1 = book.add_sheet('无双', cell_overwrite_ok=True)  
    #设置需要保存的信息栏
    row0 = ['nickName', 'startTime', 'gender', 'userLevel', 'cityName', 'score', 'content']
    #将首行信息写入
    for l in range(len(row0)):
        sheet1.write(0, l, row0[l])

    #对时间进行循环,因为电影上映的时间是9月30号,我们选择从爬取的评论是从10月1号到10月15号(也就是今天)
    for day in range(1,16):
        print('正在爬取10月{}日的评论'.format(day))
        #每天只能爬取前1000条数据,每页15条,因此67次循环之后,便不再有数据可以爬取了
        for i in range(67):
            print('正在下载第{}页评论'.format(i + 1))
            r = get_page('http://m.maoyan.com/mmdb/comments/movie/1217402.json?_v_=yes&offset=' + str(
                i*15) + '&startTime=2018-10-{}%2023%3A59%3A59'.format(day))
            #判断网页状态码,正常则对数据进行爬取,否则直接退出循环
            if r.status_code == 200:                
                try:
                    soup = json.loads(r.text)['cmts']
                    j= 0
                    #保存数据
                    for cmt in soup:
                        j += 1
                        try:
                            comment[0] = cmt['nickName']
                            comment[1] = cmt['startTime']
                            if cmt.get('gender'):
                                comment[2] = cmt['gender']
                            else:
                                comment[2] = None
                            comment[3] = cmt['userLevel']
                            comment[4] = cmt['cityName']
                            comment[5] = cmt['score']
                            comment[6] = cmt['content']

                        except:
                            break
                        #写入数据
                        for k in range(len(comment)):
                            sheet1.write((day-1)*1005+(i*15+j), k, comment[k])
                except:
                    break
            else:
                break
    #保存文件
    book.save(file)  
3.3 启动程序

输入以下代码便能完成整个程序的运行:

if __name__ == '__main__':
    get_comment()
    print('爬取结束')

4 总结与展望

当最后程序完成后,会在根目录下显示 Project_Gutenberg_comment.xls 文件,这时便完成了数据采取工作。值得一提的是,无论是机器学习,还是数据分析,它们的基础便是数据,因此数据的获取至关重要。

这里我们只是简单的获取了猫眼电影移动端每天前1000条评论,并未完整的爬取某一天的全部评论,这一任务可以留作后续我们继续完成。

微信公众号:Python一号通
关注可了解更多的爬虫教程及机器学习内容。
问题或建议,请评论留言

声明:本文内容由易百纳平台入驻作者撰写,文章观点仅代表作者本人,不代表易百纳立场。如有内容侵权或者其他问题,请联系本站进行删除。
红包 点赞 收藏 评论 打赏
评论
0个
内容存在敏感词
手气红包
    易百纳技术社区暂无数据
相关专栏
关于作者
nianqunsh

nianqunsh

暂无个性签名~

原创6
阅读1.3w
收藏0
点赞0
评论0
打赏用户 0
我要创作
分享技术经验,可获取创作收益
分类专栏
置顶时间设置
结束时间
删除原因
  • 广告/SPAM
  • 恶意灌水
  • 违规内容
  • 文不对题
  • 重复发帖
打赏作者
易百纳技术社区
nianqunsh
您的支持将鼓励我继续创作!
打赏金额:
¥1易百纳技术社区
¥5易百纳技术社区
¥10易百纳技术社区
¥50易百纳技术社区
¥100易百纳技术社区
支付方式:
微信支付
支付宝支付
易百纳技术社区微信支付
易百纳技术社区
打赏成功!

感谢您的打赏,如若您也想被打赏,可前往 发表专栏 哦~

举报反馈

举报类型

  • 内容涉黄/赌/毒
  • 内容侵权/抄袭
  • 政治相关
  • 涉嫌广告
  • 侮辱谩骂
  • 其他

详细说明

审核成功

发布时间设置
发布时间:
是否关联周任务-专栏模块

审核失败

失败原因
备注
拼手气红包 红包规则
祝福语
恭喜发财,大吉大利!
红包金额
红包最小金额不能低于5元
红包数量
红包数量范围10~50个
余额支付
当前余额:
可前往问答、专栏板块获取收益 去获取
取 消 确 定

小包子的红包

恭喜发财,大吉大利

已领取20/40,共1.6元 红包规则

    易百纳技术社区