爬蟲，從基礎(chǔ)到進階（一）

一、學習開始前需安裝模塊

二、講解概要

1. 本期先帶大家利用requests+xpath爬取豆瓣影評------適合0基礎(chǔ)同學學習

   (本來昨天是騎士對勇士的，想帶大家爬取騰訊體育NBA專區(qū)話題的，可是騰訊反爬也厲害，等到下一期再教大家，畢竟從基礎(chǔ)開始，就要簡單點，哈哈哈。)
   

   2.下一期，將帶大家學習如何應(yīng)對反爬

三、正式開始，豎起你的小眼睛

1.requests + xpath 爬取豆瓣影評
   （1）獲取頁面內(nèi)容

# 爬取頁面 url
douban_url = 'https://movie.douban.com/subject/26647117/comments?status=P'
# requests 發(fā)送請求
get_response = requests.get(douban_url)
# 將返回的響應(yīng)碼轉(zhuǎn)換成文本（整個網(wǎng)頁）
get_data = get_response.text
'''
到這里我們就已經(jīng)獲取了整個網(wǎng)頁的內(nèi)容，
可以‘算’是完成了爬蟲
'''

    （2）分析頁面內(nèi)容，獲取我們想要的內(nèi)容

• 瀏覽器中打開我們要爬取的頁面

• 按F12進入開發(fā)者工具，查看我們想要的數(shù)據(jù)在哪里

• 這里我們只要 評論人+評論內(nèi)

  

• 分析我們獲取的 xpath值
  '/html/body/div[3]/div[1]/div/div[1]/div[4]/div[1]/div[2]/h3/span[2]/a'
  '/html/body/div[3]/div[1]/div/div[1]/div[4]/div[2]/div[2]/h3/span[2]/a'
  '/html/body/div[3]/div[1]/div/div[1]/div[4]/div[3]/div[2]/h3/span[2]/a'

• 通過觀察我們發(fā)現(xiàn),這幾個xpath只有細微不同,上面加粗的部分已數(shù)加的格式改變，所以我們要爬取所有的 commentator（評論者），只需把xpath改為：
          '/html/body/div[3]/div[1]/div/div[1]/div[4]/div/div[2]/h3/span[2]/a'
  即不要后面的序號，當我們查詢時，會自動捕獲類似的xpath。

• 同樣的分析，我們可以得到評論內(nèi)容的xpath為：
  '/html/body/div[3]/div[1]/div/div[1]/div[4]/div/div[2]/p'

• 運行結(jié)果（一部分數(shù)據(jù)）

Oriol Paulo說： 'Wrath of silence' is quite different from the crime movies I've seen. It's a mix of genres. It's a crime movie,a mystery movie,an action movie,it's also a social realistic movie. Xin Yu Kun plays very well the mix of different genres in this film,and it has a powerful ending.

文文周說： 對于平均水準以上的年輕導(dǎo)演，應(yīng)毫不吝嗇予以鼓勵，對于年齡一大把了還言之無物的導(dǎo)演，才要無情打擊。

西樓塵說： 老板兒子吃真空羊肉，貪婪絞入碎肉機；屠夫兒子喝污染井水，正義只在電視屏。戳瞎左眼，被戳傷的同鄉(xiāng)都能包庇；咬斷舌頭，被救助的律師卻不敢發(fā)聲。憑蠻力壘不成金字塔，靠假聲變不成兔子媽。超人面具如同良心咒，送不回原主；尋子告示像是招魂符，在風里飄搖。真相埋進泥土，藏入山洞，終于再無人知。

#85說： 忻鈺坤第二部作品不是一部秀操作的《心迷宮2.0》，要說風格像誰，都像也都不像：凝視山洞的庫布里克單點透視、像科恩兄弟一樣塑造的神經(jīng)質(zhì)殺手、《老男孩》一樣的長廊Fight…不一樣的是，不只是想告訴你兇手是誰，而是他的選擇，以及像手術(shù)刀一樣劃開上層失態(tài)、中層失德、底層失語、人間失格的社會癥結(jié)

一口吃掉小蛋糕說： 結(jié)尾太贊，配樂非常喜歡，如果能去掉字幕就好了。從姜武拿起煙灰缸的時候就猜到了結(jié)尾。只不過細思極恐，井水為什么越來越咸？為什么那么多人都水腫？村長是知道的，不然不會喝礦泉水。然而這個梗，最后卻沒有過多的交代

大大肉罐說： 上層偽善殘暴，中層冷漠自私，下層失語無力。

武俠小王子說： 當年摩托羅拉的電量還是大大不如諾基亞。

劉瀟陽說： 僅僅是80%成片，已經(jīng)精彩絕倫。中國類型片就該這么拍。良好的多線敘事控制力，深穴映射人性，爆炸增長的經(jīng)濟，暴裂難控的社會問題，男人無聲的憤恨和傷痛，就像無法發(fā)聲的底層人民。黑暗結(jié)尾，孩子沒有尋回，真相沒有昭顯，這卻是社會真相。有時惡人作惡，僅是為了與相同利益者變成真正的同盟。

木衛(wèi)二說： 不斷向下，墮入黑暗的那種片子，鞭撻了社會主要矛盾，且不負責提供解謎快感，所以看完會很沉，很堵。如果《心迷宮》還是手工時代的自發(fā)創(chuàng)作，《暴裂無聲》明顯是工業(yè)時代（卡司動作特效）的考量，三人較勁，律師一角太弱，宋洋戰(zhàn)力太強，姜武模式化。優(yōu)點和缺陷都比較明顯。

巴伐利亞酒神說： 結(jié)局太他媽的屌了，看完在影院倒吸一口涼氣。影射也很牛逼啊，1984的摩托牌照，一個底層屌絲的人設(shè)為啞巴（沒有話語權(quán)），律師（代表中產(chǎn)和法律）和煤老板（代表權(quán)貴和黑惡勢力）的相互勾結(jié)。所以即便張保民擁有《黃?！防锞d正赫那樣爆表的武力值，也只能淪為這個殘酷社會的犧牲品。

凌睿說： 當你望著深淵的時候，深淵也在望著你。

frozenmoon說： 昌萬年是食肉者，徐文杰是喝湯的，而張保民本人就是“肉”，原本他們在食物鏈的一個位置安之若素的扮演自己的角色，但意外沖垮了一切。失控之后，每個人都發(fā)現(xiàn)自己不過都是“肉”，昌摘下假發(fā)和西裝，也得臣服于暴力和運氣，徐走出金錢和言辭的保護也要面對殘酷，張的代價或許更大。人性暴裂的悶響。

無恥不混蛋說： 影片最打動我的，不是那些顯而易見、甚至昭然若揭的隱喻，而是整部影片的“失語”。我們屬于“失語的一代”，對應(yīng)片中，不僅僅只是表層的啞巴張保民的“生理性失語”，更是，精英階層律師在片尾所選擇的“主動性失語”。而影片對“失語”的精準展示，不僅敏感捕捉到了時代痛點，而且極為戳痛人心。

    （3）實現(xiàn)翻頁，并把評論人和評論內(nèi)容存入csv文件

• 翻頁(1)
  和前面分析xpath不同，我們只要找出每頁之間url的不同之處和規(guī)律即可。

  # start 屬性表示開始位置
  turn_page1 = 'https://movie.douban.com/subject/26647117/comments?status=P'
  turn_page2 = 'https://movie.douban.com/subject/26647117/comments?start=20&limit=20&sort=new_score&status=P'
  turn_page3 = 'https://movie.douban.com/subject/26647117/comments?start=40&limit=20&sort=new_score&status=P'
  turn_page4 = 'https://movie.douban.com/subject/26647117/comments?start=60&limit=20&sort=new_score&status=P'
  

  觀察發(fā)現(xiàn)，除了第一個，每個url就只有 start的值不同，而且每次增加20，上面已經(jīng)說了start屬性，通過觀察我們也不難發(fā)現(xiàn)，每個頁面只有20條評論，這個是由 limit這個屬性控制的（小編已經(jīng)試過，人為改動是沒有用的，估計是豆瓣的反爬，但并不影響我們），我這里想說明的是這個start的值之所以會以20為增量，就是這個 limit 控制的。

• 翻頁(2)

 # 獲取評論總數(shù)
  comment_counts = a.xpath('/html/body/div[3]/div[1]/div/div[1]/div[1]/ul/li[1]/span/text()')
  comment_counts = int(comment_counts[0].strip('看過()'))
  # 計算出總的的頁面數(shù)（每頁有20條評論）
  page_counts = int(comment_counts/20)
  # 請求訪問，并把爬取數(shù)據(jù)存入csv文件
  for i in range(0,page_counts):
     turn_page_url = 'https://movie.douban.com/subject/26647117/comments?start={}&limit=20&sort=new_score&status=P'.format(i*20)
     get_respones_data(turn_page_url)

在完成上面之前，我們肯定要把之前寫的代碼進行修改，讓代碼看起，我們可以把前面寫的代碼封裝成一個函數(shù)get_respones_data()，傳入一個訪問url參數(shù),獲得返回的HTML。

代碼大整改：

四、來點進階的（和爬蟲無關(guān)）

新安裝模塊

1pip install jieba
2pip install re
3pip install csv
4pip install pyecharts
5pip install numpy

1. 解析數(shù)據(jù)
   

2.分析數(shù)據(jù)

# 切詞，將整個評論分解成一個個的詞語
1segment = jieba.lcut(content)
2words_df = pd.DataFrame({'segment': segment})
3# quoting=3 表示stopwords.txt里的內(nèi)容全部不引用
4stopwords = pd.read_csv(r'H:\PyCoding\FlaskCoding\Test_all\test0609\app\stopwords.txt', index_col=False, quoting=3, sep='\t', names=['stopword'], encoding='utf-8')
5words_df = words_df[~words_df.segment.isin(stopwords.stopword)]
# 計算每個詞語重復(fù)出現(xiàn)次數(shù)
6words_stat = words_df.groupby(by=['segment'])['segment'].agg({'計數(shù)': numpy.size})
7words_stat = words_stat.reset_index().sort_values(by=['計數(shù)'], ascending=False)

3.數(shù)據(jù)可視化