背景与挖掘目标
获取豆瓣评论数据
分析好评与差评的关键信息
分析评论数量及评分与时间的关系
分析评论者的城市分布情况

1. 背景与挖掘目标

豆瓣（douban）是一个社区网站。网站由杨勃（网名“阿北”）创立于2005年3月6日。该网站以书影音起家，提供关于书籍、电影、音乐等作品的信息，无论描述还是评论都由用户提供（User-generated content，UGC），是Web 2.0网站中具有特色的一个网站。
网站还提供书影音推荐、线下同城活动、小组话题交流等多种服务功能，它更像一个集品味系统（读书、电影、音乐）、表达系统（我读、我看、我听）和交流系统（同城、小组、友邻）于一体的创新网络服务，一直致力于帮助都市人群发现生活中有用的事物。

2019年2月5日电影《流浪地球》正式在中国内地上映。根据刘慈欣同名小说改编，影片故事设定在2075年，讲述了太阳即将毁灭，已经不适合人类生存，而面对绝境，人类将开启“流浪地球”计划，试图带着地球一起逃离太阳系，寻找人类新家园的故事。
《流浪地球》举行首映的时候，口碑好得出奇，所有去看片的业界大咖都发出了同样赞叹。文化学者戴锦华说：“中国科幻电影元年开启了。”导演徐峥则说，“里程碑式的电影，绝对是世界级别的。
可是公映之后，《流浪地球》的豆瓣评分却从8.4一路跌到了7.9。影片页面排在第一位的，是一篇一星影评《流浪地球，不及格》。文末有2.8万人点了“有用”，3.6万人点了“没用”。
关于《流浪地球》的观影评价，已经变成了一场逐渐失控的舆论混战，如“枪稿”作者灰狼所说，“关于它的舆论，已经演化成‘政治正确、水军横行、自来水灭差评、道德绑架、战狼精神。’”

挖掘目标：

获取豆瓣评论数据
分析好评与差评的关键信息
分析评论数量及评分与时间的关系
分析评论者的城市分布情况

2. 获取豆瓣评论数据

目标网址：https://movie.douban.com/subject/26266893/comments?status=P

获取首页数据

通过selenium和chromedriver获取数据

from selenium import webdriver
driver = webdriver.Chrome()

url = 'https://movie.douban.com/subject/26266893/comments?status=P'
driver.get(url)

获取用户名

通过driver.page_source获取网页源码
我们使用Xpath解析网页
通过下列代码获取names并命名

names = dom.xpath('//div[@class="comment-item"]//span[@class="comment-info"]/a/text()')

获取评价打分

通过谷歌开发者工具可以看到，class的属性决定评星。allstar10是一星，allstar50是五星。所以我们想要获取评价就要获取class的属性

同理：

dom.xpath('//div[@class="comment-item"]//span[@class="comment-info"]/span[2]/@class')

然而发现结果是：

显然，这其中有未打分的(comment-time)，要对这种进行筛选。

获取评分时间

通过谷歌开发者工具发现，时间是在span的title属性里面

times = dom.xpath('//div[@class="comment-item"]//span[@class="comment-info"]/span[3]/@title')

获取短评内容

messages = dom.xpath('//div[@class="comment-item"]//div[@class="comment"]/p/span[@class="short"]/text()')

获取赞同量

votes = dom.xpath('//div[@class="comment-item"]//div[@class="comment"]/h3/span[@class="comment-vote"]/span[@class="votes"]/text()') # 赞同量

获取用户主页网

user_url = names = dom.xpath('//div[@class="comment-item"]//span[@class="comment-info"]/a/@href') # 用户主页网址

一直到上面这，都爬的好好的，然后当我想用request进入某个主页网址的时候，遇到了418反爬

这里我选择的是用cookie。登录获取一下cookies ，然后转换成字典(因为个人隐私，我删了几个数字）:

cookies_str = 'bid=qKOdCLIajIs; _pk_ses.100001.4cf6=*; ap_v=0,6.0; __utma=30149280.688453215.1585988569.1585988569.1585988569.1; __utmc=30149280; __utmz=30149280.1585988569.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __utma=223695111.1438858643.1585988569.1585988569.1585988569.1; __utmb=223695111.0.10.185988569; __utmc=223695111; __utmz=223695111.1585988569.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __utmb=30149280.1.10.1585988569; ps=y; dbcl2="214558448:XIwFTrlzX1s"; ck=I1oq; _pk_id.100001.4cf6=279739e4a763236.1585988569.1.1585989402.1585988569.; push_noty_num=0; push_doumail_num=0'
cookies = {}
# 拆分
for i in cookies_str.split(';'):
    key,value = i.split('=',1)
    cookies[key] = value

cookies

好的，加了cookie之后发现还是418，去翻了翻博客，决定加一下头文件:

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36'}

然后再爬，终于成功了

获取用户居住地和入会时间信息

address = dom_url.xpath('//div[@class="user-info"]/a/text()')  # 用户居住地
load_time = dom_url.xpath('//div[@class="basic-info"]//div[@class="pl"]/text()') # 用户加入时间

因为一个页面所以的评价都有一个主页，所以用for做个遍历。
同时，导入时间库，爬一次睡两秒防止反爬，部分代码：

import time
cities = [] #用户居住地址列表
load_times = [] # 用户加入时间列表
for i in user_url:
    web_data = requests.get(i,cookies=cookies,headers=headers)
    dom_url = etree.HTML(web_data.text,etree.HTMLParser(encoding='utf-8'))
    address = dom_url.xpath('//div[@class="basic-info"]//div[@class="user-info"]/a/text()')  # 用户居住地
    load_time = dom_url.xpath('//div[@class="basic-info"]//div[@class="pl"]/text()') # 用户加入时间
    cities.append(address)
    load_times.append(load_time)
    time.sleep(2)   # 2秒访问一次反爬

结果：

算是初步爬取成功

单页数据整理

获取到的数据要进行整理，去掉一些没用的数据，去掉缺失值，然后dataframe表格.

1. 评分数据ratings

如果没有评分，就保留一个空字符串；有评分打印评分。
先导入re模块。我们需要的是一个int型数据，使用==int()转换类型，加个[0]==来获取引号里面的值，，就有:

import re
["" if 'rating' not in i else int(re.findall('\d{2}', i)[0]) for i in ratings]  # 评分数据整理

2. load_times

我们需要的是后面那个元素的日期.
可以使用strip将前后的元素剔除，如果没有加入时间使用”“代替,不需要最后两个字，所以加一个==[:-2]==

load_times = ["" if i==[] else i[1].strip()[:-2] for i in load_times] # 入会时间整理

3. cities

我们需要放在一个列表中，而不是嵌套列表

cities = ["" if i==[] else i[0] for i in cities] # 居住地的数据整理

最后导入库准备建表：

import pandas as pd
data = pd.DataFrame({
    '用户名':names,
    '居住城市':cities,
    '加入时间':load_times,
    '评分':ratings,
    '发表时间':times,
    '短评正文':messages,
    '赞同数量':votes
})

但是报错：arrays must all be same length
查找了一番，发现times只有19个数据，其他的都20个数据.
然后改了一下times的查找方式：

times = dom.xpath('//div[@class="comment-item"]//span[@class="comment-info"]/span[@class="comment-time "]/@title')# 评论发布时间

然后数据就保存好了，但是这个数据是一个页面的数据，
所以要把这个data的构建定义成一个函数：

def get_web_data(dom=None,cookies=None):
    names = dom.xpath('//div[@class="comment-item"]//span[@class="comment-info"]/a/text()') # 用户名
    ratings= dom.xpath('//div[@class="comment-item"]//span[@class="comment-info"]/span[2]/@class') # 评分
    times = dom.xpath('//div[@class="comment-item"]//span[@class="comment-info"]/span[@class="comment-time "]/@title')# 评论发布时间
    messages = dom.xpath('//div[@class="comment-item"]//div[@class="comment"]/p/span[@class="short"]/text()') # 短评正文
    user_url = dom.xpath('//div[@class="comment-item"]//span[@class="comment-info"]/a/@href') # 用户主页网址
    votes = dom.xpath('//div[@class="comment-item"]//div[@class="comment"]/h3/span[@class="comment-vote"]/span[@class="votes"]/text()') # 赞同量
    cities = [] #用户居住地址列表
    load_times = [] # 用户加入时间列表
    for i in user_url:
        web_data = requests.get(i,cookies=cookies,headers=headers)
        dom_url = etree.HTML(web_data.text,etree.HTMLParser(encoding='utf-8'))
        address = dom_url.xpath('//div[@class="basic-info"]//div[@class="user-info"]/a/text()')  # 用户居住地
        load_time = dom_url.xpath('//div[@class="basic-info"]//div[@class="pl"]/text()') # 用户加入时间
        cities.append(address)
        load_times.append(load_time)
        time.sleep(2)   # 2秒访问一次反爬
    ratings = ["" if 'rating' not in i else int(re.findall('\d{2}', i)[0]) for i in ratings]  # 评分数据整理
    load_times = ["" if i==[] else i[1].strip()[:-2] for i in load_times] # 入会时间整理
    cities = ["" if i==[] else i[0] for i in cities] # 居住地的数据整理
    data = pd.DataFrame({
        '用户名':names,
        '居住城市':cities,
        '加入时间':load_times,
        '评分':ratings,
        '发表时间':times,
        '短评正文':messages,
        '赞同数量':votes
    })
    return data

接下来就是把这个函数应用于每一页，所以我们需要判断网页是否已经加载。
设置一个死循环whlie ture,除非满足到最后一页，否转一直进行单页读取，还要设置一个10秒没有加载好就报错的警示。
当当前页面最后一个评论的主页可以被点击，就默认这个页面被加载进来，否转就终止程序.

from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

  wait.until(
        EC.element_to_be_clickable(
            (By.CSS_SELECTOR,'#comments > div:nth-child(20) > div.comment > h3 > span.comment-info > a')
        )
    )

最后一页，可以通过selector来判断，如果没有 #paginator > a.next 则是尾页，或者有 #paginator > span 是尾页，但是首页也有，所以选择第一种。

代码：

all_data = pd.DataFrame()
wait = WebDriverWait(driver, 10)  # 10秒内能加载就操作，不能就报错
while True:
    
    wait.until(
        EC.element_to_be_clickable(
            (By.CSS_SELECTOR,'#comments > div:nth-child(20) > div.comment > h3 > span.comment-info > a')
        )
    )
    
    dom = etree.HTML(driver.page_source,etree.HTMLParser(encoding='utf-8'))
    data = get_web_data(dom=dom,cookies=cookies)
    all_data = pd.concat([all_data,data],axis=0) # 按列拼接
    
    # 当后页无法点击，终止循环
    #paginator > span
    #paginator > a.next
    
    if driver.find_element_by_css_selector('#paginator > a.next')=[]: # 判断是否还有“后页”按钮
        break
        
    confirm_bnt = wait.until(
        EC.element_to_be_clickable(
            (By.CSS_SELECTOR,"#paginator > a.next")
        )
    )
    confirm_bnt.click() # 翻页

大概十几二十分钟，就爬取完了之后就可以保存了
all_data.to_csv('doubanliulangdiqiu.csv', index=None.encoding='GB18030')
编码方式可以自己根据需要决定。
为了爬取所有数据，还是自己登录一下比较好

爬虫实战之《流浪地球》豆瓣影评分析（一）

1. 背景与挖掘目标

挖掘目标：

2. 获取豆瓣评论数据

获取首页数据

获取用户名

获取评价打分

获取评分时间

获取短评内容

获取赞同量

获取用户主页网

获取用户居住地和入会时间信息

单页数据整理

1. 评分数据ratings

2. load_times

3. cities

節流與防抖初識

記一次計算機網絡上機報告實現過程---web網頁製作（二）

爬蟲實戰之《流浪地球》豆瓣影評分析（三）

記一次計算機網絡上機報告實現過程---web網頁製作（一）

爬蟲實戰之《流浪地球》豆瓣影評分析（二）

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結