Python自定義豆瓣電影種類，排行，點評的爬取與存儲（初級）

Python 2.7 
IDE Pycharm 5.0.3 
Firefox 47.0.1

具體Selenium和PhantomJS配置及使用請看調用PhantomJS.exe自動續借圖書館書籍

---

網上一溜豆瓣TOP250---有意思麼？

---

起因

就是想寫個豆瓣電影的爬取，給我電影荒的同學。。。。當然自己也練手啦

---

目的

1.根據用戶輸入，列出豆瓣高分TOP(用戶自定義)的電影，鏈接，及熱評若干。 
2.製作不需要Python環境可運行的exe，但由於bug未修復，需要火狐瀏覽器支持

---

方案

使用PhantomJS+Selenium+Firefox實現

---

實現過程

1.get到首頁後，根據選擇，點擊種類，然後根據輸入需求，進行排序 
2.抓取每個電影及超鏈接，進入超鏈接後，抓取當前電影的熱評及長評 
3.當用戶所要求TOP數目大於第一頁的20個時候，點擊加載更多，再出現20個電影，重複2操作。

---

以豆瓣高分，然後按評分排序的點擊過程（其餘操作一致，先種類後排序選擇，再爬）

---

實現代碼

# -*- coding: utf-8 -*-
#Author:哈士奇說喵
#爬豆瓣高分電影及hot影評

from selenium import webdriver
import selenium.webdriver.support.ui as ui
import time


print "---------------system loading...please wait...---------------"
SUMRESOURCES = 0 #全局變量
driver_detail = webdriver.PhantomJS(executable_path="phantomjs.exe")
#driver_item=webdriver.PhantomJS(executable_path="phantomjs.exe")
driver_item=webdriver.Firefox()
url="https://movie.douban.com/"
#等待頁面加載方法
wait = ui.WebDriverWait(driver_item,15)
wait1 = ui.WebDriverWait(driver_detail,15)


#獲取URL和文章標題

def getURL_Title():
    global SUMRESOURCES

##############################################################################
#需要鍵入想要獲取的信息，比如種類，排序方式，想看多少內容
##############################################################################

    print "please select:"
    kind=input("1-Hot\n2-Newest\n3-Classics\n4-Playable\n5-High Scores\n6-Wonderful but not popular\n7-Chinese film\n8-Hollywood\n9-Korea\n10-Japan\n11-Action movies\n12-Comedy\n13-Love story\n14-Science fiction\n15-Thriller\n16-Horror film\n17-Cartoon\nplease select:")
    print "--------------------------------------------------------------------------"
    sort=input("1-Sort by hot\n2-Sort by time\n3-Sort by score\nplease select:")
    print "--------------------------------------------------------------------------"
    number = input("TOP ?:")
    print "--------------------------------------------------------------------------"
    ask_long=input("don't need long-comments,enter 0,i like long-comments enter 1:")
    print "--------------------------------------------------------------------------"
    global save_name
    save_name=raw_input("save_name (xx.txt):")
    print "---------------------crawling...---------------------"

    driver_item.get(url)

##############################################################################
#進行網頁get後，先進行電影種類選擇的模擬點擊操作，然後再是排序方式的選擇
#最後等待一會，元素都加載完了，才能開始爬電影，不然元素隱藏起來，不能被獲取
#wait.until是等待元素加載完成！
##############################################################################

    wait.until(lambda driver: driver.find_element_by_xpath("//div[@class='fliter-wp']/div/form/div/div/label[%s]"%kind))
    driver_item.find_element_by_xpath("//div[@class='fliter-wp']/div/form/div/div/label[%s]"%kind).click()
    wait.until(lambda driver: driver.find_element_by_xpath("//div[@class='fliter-wp']/div/form/div[3]/div/label[%s]"%sort))
    driver_item.find_element_by_xpath("//div[@class='fliter-wp']/div/form/div[3]/div/label[%s]"%sort).click()

    num=number+1#比如輸入想看的TOP22，那需要+1在進行操作，細節問題
    time.sleep(2)

    #打開幾次“加載更多”
    num_time = num/20+1
    wait.until(lambda driver: driver.find_element_by_xpath("//div[@class='list-wp']/a[@class='more']"))

    for times in range(1,num_time):
        time.sleep(1)
        driver_item.find_element_by_xpath("//div[@class='list-wp']/a[@class='more']").click()
        time.sleep(1)
        wait.until(lambda driver: driver.find_element_by_xpath("//div[@class='list']/a[%d]"%num))
        #print '點擊\'加載更多\'一次'

    #使用wait.until使元素全部加載好能定位之後再操作，相當於try/except再套個while把

    for i in range(1,num):
        wait.until(lambda driver: driver.find_element_by_xpath("//div[@class='list']/a[%d]"%num))
        list_title=driver_item.find_element_by_xpath("//div[@class='list']/a[%d]"%i)
        print '----------------------------------------------'+'NO' + str(SUMRESOURCES +1)+'----------------------------------------------'
        print u'電影名: ' + list_title.text
        print u'鏈接: ' + list_title.get_attribute('href')
        #print unicode碼自動轉換爲utf-8的


        #寫入txt中部分1
        list_title_wr=list_title.text.encode('utf-8')#unicode碼，需要重新編碼再寫入txt
        list_title_url_wr=list_title.get_attribute('href')

        Write_txt('\n----------------------------------------------'+'NO' + str(SUMRESOURCES +1)+'----------------------------------------------','',save_name)
        Write_txt(list_title_wr,list_title_url_wr,save_name)

        SUMRESOURCES = SUMRESOURCES +1

        try:#獲取具體內容和評論。href是每個超鏈接也就是資源單獨的url
            getDetails(str(list_title.get_attribute('href')),ask_long)
        except:
            print 'can not get the details!'


##############################################################################
#當選擇一部電影后，進入這部電影的超鏈接，然後才能獲取
#同時別忽視元素加載的問題
#在加載長評論的時候，注意模擬點擊一次小三角，不然可能會使內容隱藏
##############################################################################
def getDetails(url,ask_long):

    driver_detail.get(url)
    wait1.until(lambda driver: driver.find_element_by_xpath("//div[@id='link-report']/span"))
    drama = driver_detail.find_element_by_xpath("//div[@id='link-report']/span")
    print u"劇情簡介："+drama.text
    drama_wr=drama.text.encode('utf-8')
    Write_txt(drama_wr,'',save_name)
    print "--------------------------------------------Hot comments TOP----------------------------------------------"
    for i in range(1,5):#四個短評
        try:
            comments_hot = driver_detail.find_element_by_xpath("//div[@id='hot-comments']/div[%s]/div/p"%i)
            print u"最新熱評："+comments_hot.text
            comments_hot_wr=comments_hot.text.encode('utf-8')
            Write_txt("--------------------------------------------Hot comments TOP%d----------------------------------------------"%i,'',save_name)
            Write_txt(comments_hot_wr,'',save_name)
        except:
            print 'can not caught the comments!'


    #加載長評
    if ask_long==1:
        try:
            driver_detail.find_element_by_xpath("//img[@class='bn-arrow']").click()
            #wait.until(lambda driver: driver.find_element_by_xpath("//div[@class='review-bd']/div[2]/div/div"))
            time.sleep(1)
            #解決加載長評會提示劇透問題導致無法加載
            comments_get = driver_detail.find_element_by_xpath("//div[@class='review-bd']/div[2]/div")
            if comments_get.text.encode('utf-8')=='提示: 這篇影評可能有劇透':
                comments_deep=driver_detail.find_element_by_xpath("//div[@class='review-bd']/div[2]/div[2]")
            else:
                comments_deep = comments_get
            print "--------------------------------------------long-comments---------------------------------------------"
            print u"深度長評："+comments_deep.text
            comments_deep_wr=comments_deep.text.encode('utf-8')
            Write_txt("--------------------------------------------long-comments---------------------------------------------\n",'',save_name)
            Write_txt(comments_deep_wr,'',save_name)
        except:
            print 'can not caught the deep_comments!'


##############################################################################
#將print輸出的寫入txt中查看，也可以在cmd中查看，換行符是爲了美觀
##############################################################################
def Write_txt(text1='',text2='',title='douban.txt'):

        with open(title,"a") as f:
            for i in text1:
                f.write(i)
            f.write("\n")
            for j in text2:
                f.write(j)
            f.write("\n")

def main():

    getURL_Title()
    driver_item.quit()

main()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55
• 56
• 57
• 58
• 59
• 60
• 61
• 62
• 63
• 64
• 65
• 66
• 67
• 68
• 69
• 70
• 71
• 72
• 73
• 74
• 75
• 76
• 77
• 78
• 79
• 80
• 81
• 82
• 83
• 84
• 85
• 86
• 87
• 88
• 89
• 90
• 91
• 92
• 93
• 94
• 95
• 96
• 97
• 98
• 99
• 100
• 101
• 102
• 103
• 104
• 105
• 106
• 107
• 108
• 109
• 110
• 111
• 112
• 113
• 114
• 115
• 116
• 117
• 118
• 119
• 120
• 121
• 122
• 123
• 124
• 125
• 126
• 127
• 128
• 129
• 130
• 131
• 132
• 133
• 134
• 135
• 136
• 137
• 138
• 139
• 140
• 141
• 142
• 143
• 144
• 145
• 146
• 147
• 148
• 149
• 150
• 151
• 152
• 153
• 154
• 155
• 156
• 157
• 158
• 159
• 160
• 161

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55
• 56
• 57
• 58
• 59
• 60
• 61
• 62
• 63
• 64
• 65
• 66
• 67
• 68
• 69
• 70
• 71
• 72
• 73
• 74
• 75
• 76
• 77
• 78
• 79
• 80
• 81
• 82
• 83
• 84
• 85
• 86
• 87
• 88
• 89
• 90
• 91
• 92
• 93
• 94
• 95
• 96
• 97
• 98
• 99
• 100
• 101
• 102
• 103
• 104
• 105
• 106
• 107
• 108
• 109
• 110
• 111
• 112
• 113
• 114
• 115
• 116
• 117
• 118
• 119
• 120
• 121
• 122
• 123
• 124
• 125
• 126
• 127
• 128
• 129
• 130
• 131
• 132
• 133
• 134
• 135
• 136
• 137
• 138
• 139
• 140
• 141
• 142
• 143
• 144
• 145
• 146
• 147
• 148
• 149
• 150
• 151
• 152
• 153
• 154
• 155
• 156
• 157
• 158
• 159
• 160
• 161

上面的代碼是可以實現的，但需要Firefox的配合，因爲我其中一個引擎調用了Firefox，另一個抓評論的用了PhantomJS。

---

實現效果

這裏直接上傳打包成exe後的形式，如何打包exe請看將python打包成exe

存入的txt文件 

因爲打包成exe必須是中文的鍵入，所以沒辦法，我改成英文來着，不然會出現這種情況。。。 

輸出內容是沒有問題的。。。。。。

---

問題及解決方案

1.使用PhantomJS和Firefox出現不同效果的問題，第21個回到起點。 
1.解決方案，暫且我也沒有找到，只有調用Firefox然後完事後再關閉，分析請見僞解決Selenium中調用PhantomJS無法模擬點擊(click)操作 

---

2.在對unicode輸出在txt出現的問題，但是在print可以直接中文輸出的。 
2.解決方案：詳見Python輸出(print)內容寫入txt中保存 

---

Pay Attention

這裏和上篇 僞解決Selenium中調用PhantomJS無法模擬點擊(click)操作 

這裏解決的問題和昨天的Pay Attention是一樣的，本來程序也是增強性補充而已，所以重複了。

1.元素無法定位問題 
1.解決方案，首先查看是不是隱藏元素，其次再看自己的規則有沒有寫錯，還有就是是不是頁面加載未完成，詳見解決網頁元素無法定位（NoSuchElementException: Unable to locate element）的幾種方法 

---

2.只採集自己需要的數據，剔除無用數據，比如說，剛開始我用

driver_detail.find_elements_by_xpath

• 1

• 1

然後寫個取出list中元素的方法，但是這樣的話，一個便籤下內容未必太多，並不是我想要的如圖：

比如說，我只想要紅色的部分，那麼，採取elements就不太好處理。

2.解決方案，我採用的方法是格式化字符串！這個方法我在Selenium+PhantomJS自動續借圖書館書籍（下）也用過，根據元素的特性，可以發現，每個熱評的正文標籤不一樣的，其餘標籤一樣，只要格式化正文標籤即可，像這樣

for i in range(1,5):#取了前四條熱評
        try:
            comments = driver_detail.find_element_by_xpath("//div[@id='hot-comments']/div[%s]/div/p"%i)
            print u"最新熱評："+comments.text
        except:
            print 'can not caught comments!'

• 1
• 2
• 3
• 4
• 5
• 6

• 1
• 2
• 3
• 4
• 5
• 6

---

3.一個引擎幹有個事！我現在沒辦法，只有將第一個需要處理的頁面用Firefox來處理，之後評論用PhantomJS來抓取，之後可以用quit來關閉瀏覽器，但是啓動瀏覽器還是會耗費好多資源，而且挺慢，雖然PhantomJS也很慢，我12G內存都跑完了。。。。。。看樣子是給我買8x2 16G雙通道的藉口啊。

---

4.備註不標準也會導致程序出錯，這個是我沒想到的，我一直以爲在”’備註”’之間的都可以隨便來，結果影響程序運行了，之後分模塊測試才注意到這個問題，也是以前沒有遇到過的，切記！需要規範自己代碼，特別是像Python這樣縮進是靈魂的語言。。。。

---

5.補充，長評論的抓取

這是點擊之後的圖，可以看到元素定位也是不一樣的，注意

---

最後

今天在知乎上回答了個問題，能幫助和吸引一些人過來學這門讓人上癮的語言感覺很有成就感啊，哈哈哈 
希望能幫助更多的人，同時請不吝賜教！

---

PS

知乎關注我有毛用，還不如這裏呢。感興趣的可以下載exe文件，已打包上傳資源 

---

致謝

@MrLevo520–僞解決Selenium中調用PhantomJS無法模擬點擊(click)操作 
@MrLevo520–Python輸出(print)內容寫入txt中保存 
@MrLevo520–解決網頁元素無法定位（NoSuchElementException: Unable to locate element）的幾種方法 
@Eastmount–[Python爬蟲] Selenium+Phantomjs動態獲取CSDN下載資源信息和評論 
@Eastmount–[Python爬蟲] 在Windows下安裝PIP+Phantomjs+Selenium 
@MrLevo520–解決Selenium彈出新頁面無法定位元素問題（Unable to locate element）

頂

1

踩