Python网络爬虫练习
1. 豆瓣top250电影
1.1 查看网页
目标网址：https://movie.douban.com/top250?start=0&filter=
start=后面的数字从0，25，50一直到225，共10页，每页25条信息
页面截图：
由此主页面获取各个电影的链接，然后分别跳转至对应对应的链接爬取信息。
主页面源码：
<li> <div class="item"> <div class="pic"> <em class="">1</em> <a href="https://movie.douban.com/subject/1292052/"> <img width="100" alt="肖申克的救赎" src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p480747492.webp" class=""> </a> </div> <div class="info"> <div class="hd"> <a href="https://movie.douban.com/subject/1292052/" class=""> <span class="title">肖申克的救赎</span> <span class="title"> / The Shawshank Redemption</span> <span class="other"> / 月黑高飞(港) / 刺激1995(台)</span> </a> <span class="playable">[可播放]</span> </div> <div class="bd"> <p class=""> 导演: 弗兰克·德拉邦特 Frank Darabont 主演: 蒂姆·罗宾斯 Tim Robbins /...<br> 1994 / 美国 / 犯罪 剧情 </p> <div class="star"> <span class="rating5-t"></span> <span class="rating_num" property="v:average">9.7</span> <span property="v:best" content="10.0"></span> <span>2009428人评价</span> </div> <p class="quote"> <span class="inq">希望让人自由。</span> </p> </div> </div> </div> </li>
可以看到，链接藏在<div class="hd">中。
然后我们跳转到第一个电影（肖申克的救赎）页面，查看待爬取信息所在的位置。
1. 基本信息
片名：
<h1> <span property="v:itemreviewed">肖申克的救赎 The Shawshank Redemption</span> <span class="year">(1994)</span> </h1>
其他信息：
<div id="info"> <span ><span class='pl'>导演</span>: <span class='attrs'><a href="/celebrity/1047973/" rel="v:directedBy">弗兰克·德拉邦特</a></span></span><br/> <span ><span class='pl'>编剧</span>: <span class='attrs'><a href="/celebrity/1047973/">弗兰克·德拉邦特</a> / <a href="/celebrity/1049547/">斯蒂芬·金</a></span></span><br/> <span class="actor"><span class='pl'>主演</span>: <span class='attrs'><a href="/celebrity/1054521/" rel="v:starring">蒂姆·罗宾斯</a> / <a href="/celebrity/1054534/" rel="v:starring">摩根·弗里曼</a> / <a href="/celebrity/1041179/" rel="v:starring">鲍勃·冈顿</a> / <a href="/celebrity/1000095/" rel="v:starring">威廉姆·赛德勒</a> / <a href="/celebrity/1013817/" rel="v:starring">克兰西·布朗</a> / <a href="/celebrity/1010612/" rel="v:starring">吉尔·贝罗斯</a> / <a href="/celebrity/1054892/" rel="v:starring">马克·罗斯顿</a> / <a href="/celebrity/1027897/" rel="v:starring">詹姆斯·惠特摩</a> / <a href="/celebrity/1087302/" rel="v:starring">杰弗里·德曼</a> / <a href="/celebrity/1074035/" rel="v:starring">拉里·布兰登伯格</a> / <a href="/celebrity/1099030/" rel="v:starring">尼尔·吉恩托利</a> / <a href="/celebrity/1343305/" rel="v:starring">布赖恩·利比</a> / <a href="/celebrity/1048222/" rel="v:starring">大卫·普罗瓦尔</a> / <a href="/celebrity/1343306/" rel="v:starring">约瑟夫·劳格诺</a> / <a href="/celebrity/1315528/" rel="v:starring">祖德·塞克利拉</a> / <a href="/celebrity/1014040/" rel="v:starring">保罗·麦克兰尼</a> / <a href="/celebrity/1390795/" rel="v:starring">芮妮·布莱恩</a> / <a href="/celebrity/1083603/" rel="v:starring">阿方索·弗里曼</a> / <a href="/celebrity/1330490/" rel="v:starring">V·J·福斯特</a> / <a href="/celebrity/1000635/" rel="v:starring">弗兰克·梅德拉诺</a> / <a href="/celebrity/1390797/" rel="v:starring">马克·迈尔斯</a> / <a href="/celebrity/1150160/" rel="v:starring">尼尔·萨默斯</a> / <a href="/celebrity/1048233/" rel="v:starring">耐德·巴拉米</a> / <a href="/celebrity/1000721/" rel="v:starring">布赖恩·戴拉特</a> / <a href="/celebrity/1333685/" rel="v:starring">唐·麦克马纳斯</a></span></span><br/> <span class="pl">类型:</span> <span property="v:genre">剧情</span> / <span property="v:genre">犯罪</span><br/> <span class="pl">制片国家/地区:</span> 美国<br/> <span class="pl">语言:</span> 英语<br/> <span class="pl">上映日期:</span> <span property="v:initialReleaseDate" content="1994-09-10(多伦多电影节)">1994-09-10(多伦多电影节)</span> / <span property="v:initialReleaseDate" content="1994-10-14(美国)">1994-10-14(美国)</span><br/> <span class="pl">片长:</span> <span property="v:runtime" content="142">142分钟</span><br/> <span class="pl">又名:</span> 月黑高飞(港) / 刺激1995(台) / 地狱诺言 / 铁窗岁月 / 消香克的救赎<br/> <span class="pl">IMDb链接:</span> <a href="https://www.imdb.com/title/tt0111161" target="_blank" rel="nofollow">tt0111161</a><br> </div>
可以看到，该部分内容中包含了导演、编剧、主演、类型、制片国家/地区、语言、上映日期、片长、又名这些信息，它们以分隔符<br/>进行分隔，下面我们将通过正则表达式进行提取。
2. 评分信息
<div class="ratings-on-weight"> <div class="item"> <span class="stars5 starstop" title="力荐"> 5星 </span> <div class="power" style="width:64px"></div> <span class="rating_per">85.1%</span> <br /> </div> <div class="item"> <span class="stars4 starstop" title="推荐"> 4星 </span> <div class="power" style="width:10px"></div> <span class="rating_per">13.4%</span> <br /> </div> <div class="item"> <span class="stars3 starstop" title="还行"> 3星 </span> <div class="power" style="width:0px"></div> <span class="rating_per">1.3%</span> <br /> </div> <div class="item"> <span class="stars2 starstop" title="较差"> 2星 </span> <div class="power" style="width:0px"></div> <span class="rating_per">0.1%</span> <br /> </div> <div class="item"> <span class="stars1 starstop" title="很差"> 1星 </span> <div class="power" style="width:0px"></div> <span class="rating_per">0.1%</span> <br /> </div> </div>
这部分源码包含了评分5星至1星所占的百分数比例。
3. 影片简介
<div class="related-info" style="margin-bottom:-10px;"> <a name="intro"></a> <h2> <i class="">肖申克的救赎的剧情简介</i> · · · · · · </h2> <div class="indent" id="link-report"> <span class="short"> <span property="v:summary"> 20世纪40年代末，小有成就的青年银行家安迪（蒂姆·罗宾斯 Tim Robbins 饰）因涉嫌杀害妻子及她的情人而锒铛入狱。在这座名为肖申克的监狱内，希望似乎虚无缥缈，终身监禁的惩罚无疑注定了安迪接下来灰暗绝望的人生。未过多久，安迪尝试接近囚犯中颇有声望的瑞德（摩根·弗里曼 Morgan Freeman 饰），请求对方帮自己搞来小锤子。以此为契机，二人逐渐熟稔，安迪也仿佛在鱼龙混杂、罪恶横生、黑白混淆的牢狱中找到属于自己的求生之道。他利用自身的专业知识，帮助监狱管理层逃税、洗黑钱，同时凭借与瑞德的交往在犯人中间也渐渐受到礼遇。表面看来，他已如瑞德那样对那堵高墙从憎恨转变为处之泰然，但是对自由的渴望仍促使他朝着心中的希望和目标前进。而关于其罪行的真相，似乎更使这一切朝前推进了一步…… <br /> 本片根据著名作家斯蒂芬·金（Stephen Edwin King）的... </span> <a href="javascript:void(0)" class="j a_show_full">(展开全部)</a> </span> <span class="all hidden"> 20世纪40年代末，小有成就的青年银行家安迪（蒂姆·罗宾斯 Tim Robbins 饰）因涉嫌杀害妻子及她的情人而锒铛入狱。在这座名为肖申克的监狱内，希望似乎虚无缥缈，终身监禁的惩罚无疑注定了安迪接下来灰暗绝望的人生。未过多久，安迪尝试接近囚犯中颇有声望的瑞德（摩根·弗里曼 Morgan Freeman 饰），请求对方帮自己搞来小锤子。以此为契机，二人逐渐熟稔，安迪也仿佛在鱼龙混杂、罪恶横生、黑白混淆的牢狱中找到属于自己的求生之道。他利用自身的专业知识，帮助监狱管理层逃税、洗黑钱，同时凭借与瑞德的交往在犯人中间也渐渐受到礼遇。表面看来，他已如瑞德那样对那堵高墙从憎恨转变为处之泰然，但是对自由的渴望仍促使他朝着心中的希望和目标前进。而关于其罪行的真相，似乎更使这一切朝前推进了一步…… <br /> 本片根据著名作家斯蒂芬·金（Stephen Edwin King）的原著改编。 </span> <span class="pl"><a href="https://movie.douban.com/help/movie#t0-qs">©豆瓣</a></span> </div> </div>
在影片简介较长时，全部信息在class属性为"all hidden"的span中，而简介较短时，不存在这一标签，property属性为"x:summary"的span中就已包含了全部文本。
1.2 爬虫代码
from urllib.request import urlopen, Request from bs4 import BeautifulSoup import re import numpy as np import pandas as pd import time #设置请求头 headers = {'User-Agent':'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)'} def getLinks(articleUrl): """通过页面获取各个电影的链接""" req = Request(url=articleUrl, headers=headers) html = urlopen(req) bsObj = BeautifulSoup(html) links = bsObj.findAll("div", {"class": "hd"}) return [link.a.attrs["href"] for link in links] #目标链接 head = "https://movie.douban.com/top250?start=" pages = [head + str(num) + "&filter=" for num in np.arange(0,250,25)] links = [] for page in pages: #拼接所有链接，共250条 links += getLinks(page) def Merge(dict1, dict2): """合并字典""" res = {**dict1, **dict2} return res allInfo = pd.DataFrame() keyList1 = ['导演', '编剧', '主演', '类型', '制片国家/地区', '语言', '上映日期', '片长', '又名'] keyList2 = ['5星', '4星', '3星', '2星', '1星'] def getInfo(articleUrl): """获取每部电影的详细信息""" global allInfo req = Request(url=articleUrl, headers=headers) html = urlopen(req) bsObj = BeautifulSoup(html) #获取基础信息info1 info1 = bsObj.find("div", {"id": "info"}) info1 = info1.get_text().split('\n')[1:-2] #通过正则表达式删选信息 #贪婪匹配+?,无匹配生成空字符串|$ pattern1 = re.compile(".+?(?=:)|$") pattern2 = re.compile("(?<=:).+|$") keyList_prepare = [pattern1.findall(i)[0] for i in info1] valueList_prepare = [pattern2.findall(i)[0] for i in info1] valueList1=[None] * len(keyList1) for key in keyList1: if key in keyList_prepare: valueList1[keyList1.index(key)] = valueList_prepare[keyList_prepare.index(key)] dict1 = dict(zip(keyList1,valueList1)) #获取评分信息info2 info2 = bsObj.find("div", {"class": "ratings-on-weight"}) info2 = info2.findAll("span", {"class", "rating_per"}) valueList2 = [i.get_text() for i in info2] dict2 = dict(zip(keyList2, valueList2)) dictAll = Merge(dict1, dict2) #获取影片简介 try: dictAll = Merge(dictAll, {"简介": bsObj.find("span", {"class": "all hidden"}).get_text().strip()}) except: dictAll = Merge(dictAll, {"简介": bsObj.find("span", {"property": "v:summary"}).get_text().strip()}) allInfo = allInfo.append(dictAll,ignore_index=True) #返回影片片名 return bsObj.h1.get_text().strip() num = 0 title = [] startTime = time.time() for link in links: title.append(getInfo(link)) num += 1 print("正在爬取第", num, "条信息") endTime = time.time() #片名作为索引 allInfo.rename(index=dict(zip(range(0,allInfo.shape[0]),title)),inplace=True) #数据框写入CSV文件 allInfo.to_excel('MovieInfo.xlsx', encoding="utf-8") print("共爬取", allInfo.shape[0], "条信息，用时", endTime-startTime, "秒")
1.3 部分说明
- 对于豆瓣的爬虫，需要设置请求头，否则访问行为会被拒绝，发生HTTPError；
- 共10个页面分别爬取，所以采用了字符串相加生成列表存放这10个页面的URL；
- links存放250个电影页面的URL，列表合并直接用加号就行，links += getLinks(page)；
- 学习了字典合并的方法，def Merge(dict1, dict2)；
- 复习了正则表达式，贪婪匹配+?，有时匹配失败会得到空列表，再引用元素[0]会报错，使用|$可在无匹配时生成空字符串，避免错误；
- 由于某些影片缺失部分信息或多出部分信息，所以需要以目标信息keyList1中元素进行筛选；
- 由列表生成字典的方法，dict(zip(list1,list1))；
- 由字典向数据框添加行的方法，allInfo = allInfo.append(dictAll,ignore_index=True)；
- 由于爬虫程序执行时间较长，使用了time.time()的方法进行计时；
- 最后采用.to_excel方法将数据框写入Excel文件中。
1.4 结果展示
耐心等待后……
打开Excel文件查看：
2. Scrapy爬取千与千寻评论
2.1 查看网页
https://movie.douban.com/subject/1291561/comments?start=0&limit=20&sort=new_score&status=P
start=后面的数字从0开始以20为公差递增，我们爬取0，20，40直到180，即前200条评论。
页面截图：
源码：
<div class="comment"> <h3> <span class="comment-vote"> <span class="votes">3492</span> <input value="82042845" type="hidden"/> <a href="javascript:;" class="j a_show_login" onclick="">有用</a> </span> <span class="comment-info"> <a href="https://www.douban.com/people/oceanheart/" class="">深海的心</a> <span>看过</span> <span class="allstar40 rating" title="推荐"></span> <span class="comment-time " title="2008-12-22 22:28:54"> 2008-12-22 </span> </span> </h3> <p class=""> <span class="short">有那么那么经典吗？还是我老了？</span> </p> </div>
待爬取信息：
评论用户、用户链接、评论内容、评论投票数、评论时间。
2.2 items.py
import scrapy class TutorialItem(scrapy.Item): author = scrapy.Field()#评论用户 link = scrapy.Field()#用户链接 comment = scrapy.Field()#评论内容 vote = scrapy.Field()#评论投票数 time = scrapy.Field()#评论时间
2.3 myspider.py
import scrapy from tutorial.items import TutorialItem import numpy as np head = "https://movie.douban.com/subject/1291561/comments?start=" class MySpider(scrapy.Spider): # 设置name name = "douban" # 设定域名 allowed_domains = ["movie.douban.com"] # 填写爬取地址 start_urls = [head + str(num) + "&limit=20&sort=new_score&status=P" for num in np.arange(0,200,20)] # 编写爬取方法 def parse(self, response): for line in response.xpath('//div[@class="comment"]'): # 初始化item对象保存爬取的信息 item = TutorialItem() # 这部分是爬取部分，使用xpath的方式选择信息，具体方法根据网页结构而定 item['author'] = line.xpath('.//span[@class="comment-info"]/a/text()').extract() item['link'] = line.xpath('.//span[@class="comment-info"]/a/@href').extract() item['comment'] = line.xpath('.//span[@class="short"]/text()').extract() item['vote'] = line.xpath('.//span[@class="comment-vote"]/span[@class="votes"]/text()').extract() item['time'] = line.xpath('.//span[@class="comment-info"]/span[@class="comment-time "]/text()').extract() yield item
仍采用列表存放URL，复习了XPath知识。
2.4 settings.py
设置编码：
FEED_EXPORT_ENCODING ='utf-8'
修改请求头：
USER_AGENT = "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36"
其他设置保持默认。
2.5 数据存储
另外新建一个py脚本，放在和工程文件夹tutorial相同的目录下。
import pandas as pd import os import json #切换工作目录至当前脚本路径 os.chdir(os.path.split(os.path.realpath(__file__))[0]+'\\tutorial') os.system("rm items.json") os.system("scrapy crawl douban -o items.json") with open('items.json', 'r', encoding='utf-8') as f: data = json.load(f) for i in range(0,len(data)): for k in data[i].keys(): data[i][k] = data[i][k][0].strip() allInfo = pd.DataFrame() allInfo = allInfo.append(data,ignore_index=True) allInfo.to_excel('../commentInfo.xlsx', encoding="utf-8")
- 采用os包中的函数执行shell命令；
- 关于工作目录的切换；
- 使用-o items.json保存json文件；
- 由于json难以直接阅读，所以将其转换为数据框并以Excel格式写出。
2.6 查看数据
执行程序后，在tutorial文件夹下新增items.json文件。
在notepad++中打开查看：
在py脚本文件所在目录新增commentInfo.xlsx文件，打开查看：
3. 六度分隔爬虫游戏
六度分隔(Six Degrees of Separation)理论。简单地说：“你和任何一个陌生人之间所间隔的人不会超五个，也就是说，最多通过六个人你就能够认识任何一个陌生人。（来自百度百科）
百度百科中有很多词条，并且相互直接有链接沟通，所以我们尝试从某一词条链接出发，不断向其他词条页面跳转，看看是否能在6次之内到达目标词条。创意来自《Python网络数据采集》。
3.1 查看网页
这里以我喜欢的歌手邓丽君的词条页面为例。
部分源码：
通过观察可以发现，指向其他词条的链接都带有属性target="_blank"，且链接样式为类似于/item/%E6%B5%B7%E9%9F%B5的utf-8编码。
以邓丽君页面为起始页面，以我喜欢的演员刘亦菲的词条页面为终止页面。
3.2 爬虫代码
from urllib.request import urlopen from bs4 import BeautifulSoup import re import random start = "邓丽君" end = "刘亦菲" def getLinks(articleUrl): html = urlopen("https://baike.baidu.com"+articleUrl) bsObj = BeautifulSoup(html) allLinks = bsObj.findAll("a", {"target": "_blank"}) links = [] for i in range(len(allLinks)): isEntry = re.match("/item/(%[0-9A-F])+.+", allLinks[i].attrs["href"]) text = allLinks[i].get_text().strip() repetition = allLinks[i].attrs["href"] in [link.attrs["href"] for link in links] if isEntry!=None and text!="" and not(repetition): links.append(allLinks[i]) return links def getUTF8(string): UTF8=str(string.encode('utf-8')).upper() pattern = re.compile("(?<=').+(?=')") return re.sub("\\\\X", "%", pattern.findall(UTF8)[0]) startLinks = getLinks("/item/"+getUTF8(start)) flag = 0 #试验100次 for i in range(0,100): links = startLinks if(flag == 1): break for j in range(0,6): if len(links) > 0: if end in [link.get_text().strip() for link in links]: print("在第",i+1, "轮寻找", "第", j, "次跳转", "中找到") flag = 1 break ran = random.randint(0, len(links)-1) newArticle = links[ran].attrs["href"] print("第",i+1, "轮寻找", "第", j+1, "次跳转", links[ran].get_text().strip()) links = getLinks(newArticle) else: print("爬虫中断") break if(flag == 0): print("100轮寻找已完成，很遗憾未能找到。请检查end变量是否是百度百科中存在的词条。")
3.3 部分说明
- 观察发现百度百科词条链接中的utf-8编码就是词条中文名的编码，所以构建了getUTF8函数；
- 在getLinks函数中，对获取到的链接进行如下检查：是否符合词条链接的格式（正则表达式），是否为空，是否重复，将符合格式、非空且不重复的链接列表返回；
- 最大跳转次数为6，默认进行100轮尝试，如果找到则停止。
3.4 结果展示
运行了两次试验一下，结果如上所示。
去浏览器看一下，确实可以根据爬虫给出的路线找到“刘亦菲”。
因为这两个明星比较有名气吧，关联到的词条比较多，所以一般总是能在100轮寻找中找到，不过这也和运气有关呢。
可以修改start和end进行其他测试，但是需要保证该词语在百度百科的词条中存在，start不存在会报错，end不存在会找不到。
