1. 豆瓣top250電影
1.1 查看網頁
目標網址：https://movie.douban.com/top250?start=0&filter=
start=後面的數字從0，25，50一直到225，共10頁，每頁25條信息
頁面截圖：
由此主頁面獲取各個電影的鏈接，然後分別跳轉至對應對應的鏈接爬取信息。
主頁面源碼：
<li> <div class="item"> <div class="pic"> <em class="">1</em> <a href="https://movie.douban.com/subject/1292052/"> <img width="100" alt="肖申克的救贖" 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">肖申克的救贖</span> <span class="title"> / The Shawshank Redemption</span> <span class="other"> / 月黑高飛(港) / 刺激1995(臺)</span> </a> <span class="playable">[可播放]</span> </div> <div class="bd"> <p class=""> 導演: 弗蘭克·德拉邦特 Frank Darabont 主演: 蒂姆·羅賓斯 Tim Robbins /...<br> 1994 / 美國 / 犯罪 劇情 </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人評價</span> </div> <p class="quote"> <span class="inq">希望讓人自由。</span> </p> </div> </div> </div> </li>
可以看到，鏈接藏在<div class="hd">中。
然後我們跳轉到第一個電影（肖申克的救贖）頁面，查看待爬取信息所在的位置。
1. 基本信息
片名：
<h1> <span property="v:itemreviewed">肖申克的救贖 The Shawshank Redemption</span> <span class="year">(1994)</span> </h1>
其他信息：
<div id="info"> <span ><span class='pl'>導演</span>: <span class='attrs'><a href="/celebrity/1047973/" rel="v:directedBy">弗蘭克·德拉邦特</a></span></span><br/> <span ><span class='pl'>編劇</span>: <span class='attrs'><a href="/celebrity/1047973/">弗蘭克·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·羅賓斯</a> / <a href="/celebrity/1054534/" rel="v:starring">摩根·弗里曼</a> / <a href="/celebrity/1041179/" rel="v:starring">鮑勃·岡頓</a> / <a href="/celebrity/1000095/" rel="v:starring">威廉姆·賽德勒</a> / <a href="/celebrity/1013817/" rel="v:starring">克蘭西·布朗</a> / <a href="/celebrity/1010612/" rel="v:starring">吉爾·貝羅斯</a> / <a href="/celebrity/1054892/" rel="v:starring">馬克·羅斯頓</a> / <a href="/celebrity/1027897/" rel="v:starring">詹姆斯·惠特摩</a> / <a href="/celebrity/1087302/" rel="v:starring">傑弗裏·德曼</a> / <a href="/celebrity/1074035/" rel="v:starring">拉里·布蘭登伯格</a> / <a href="/celebrity/1099030/" rel="v:starring">尼爾·吉恩託利</a> / <a href="/celebrity/1343305/" rel="v:starring">布賴恩·利比</a> / <a href="/celebrity/1048222/" rel="v:starring">大衛·普羅瓦爾</a> / <a href="/celebrity/1343306/" rel="v:starring">約瑟夫·勞格諾</a> / <a href="/celebrity/1315528/" rel="v:starring">祖德·塞克利拉</a> / <a href="/celebrity/1014040/" rel="v:starring">保羅·麥克蘭尼</a> / <a href="/celebrity/1390795/" rel="v:starring">芮妮·布萊恩</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">弗蘭克·梅德拉諾</a> / <a href="/celebrity/1390797/" rel="v:starring">馬克·邁爾斯</a> / <a href="/celebrity/1150160/" rel="v:starring">尼爾·薩默斯</a> / <a href="/celebrity/1048233/" rel="v:starring">耐德·巴拉米</a> / <a href="/celebrity/1000721/" rel="v:starring">布賴恩·戴拉特</a> / <a href="/celebrity/1333685/" rel="v:starring">唐·麥克馬納斯</a></span></span><br/> <span class="pl">類型:</span> <span property="v:genre">劇情</span> / <span property="v:genre">犯罪</span><br/> <span class="pl">製片國家/地區:</span> 美國<br/> <span class="pl">語言:</span> 英語<br/> <span class="pl">上映日期:</span> <span property="v:initialReleaseDate" content="1994-09-10(多倫多電影節)">1994-09-10(多倫多電影節)</span> / <span property="v:initialReleaseDate" content="1994-10-14(美國)">1994-10-14(美國)</span><br/> <span class="pl">片長:</span> <span property="v:runtime" content="142">142分鐘</span><br/> <span class="pl">又名:</span> 月黑高飛(港) / 刺激1995(臺) / 地獄諾言 / 鐵窗歲月 / 消香克的救贖<br/> <span class="pl">IMDb鏈接:</span> <a href="https://www.imdb.com/title/tt0111161" target="_blank" rel="nofollow">tt0111161</a><br> </div>
可以看到，該部分內容中包含了導演、編劇、主演、類型、製片國家/地區、語言、上映日期、片長、又名這些信息，它們以分隔符<br/>進行分隔，下面我們將通過正則表達式進行提取。
2. 評分信息
<div class="ratings-on-weight"> <div class="item"> <span class="stars5 starstop" title="力薦"> 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="推薦"> 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="還行"> 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="較差"> 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>
這部分源碼包含了評分5星至1星所佔的百分數比例。
3. 影片簡介
<div class="related-info" style="margin-bottom:-10px;"> <a name="intro"></a> <h2> <i class="">肖申克的救贖的劇情簡介</i> · · · · · · </h2> <div class="indent" id="link-report"> <span class="short"> <span property="v:summary"> 20世紀40年代末，小有成就的青年銀行家安迪（蒂姆·羅賓斯 Tim Robbins 飾）因涉嫌殺害妻子及她的情人而鋃鐺入獄。在這座名爲肖申克的監獄內，希望似乎虛無縹緲，終身監禁的懲罰無疑註定了安迪接下來灰暗絕望的人生。未過多久，安迪嘗試接近囚犯中頗有聲望的瑞德（摩根·弗里曼 Morgan Freeman 飾），請求對方幫自己搞來小錘子。以此爲契機，二人逐漸熟稔，安迪也彷彿在魚龍混雜、罪惡橫生、黑白混淆的牢獄中找到屬於自己的求生之道。他利用自身的專業知識，幫助監獄管理層逃稅、洗黑錢，同時憑藉與瑞德的交往在犯人中間也漸漸受到禮遇。表面看來，他已如瑞德那樣對那堵高牆從憎恨轉變爲處之泰然，但是對自由的渴望仍促使他朝着心中的希望和目標前進。而關於其罪行的真相，似乎更使這一切朝前推進了一步…… <br /> 本片根據著名作家斯蒂芬·金（Stephen Edwin King）的... </span> <a href="javascript:void(0)" class="j a_show_full">(展開全部)</a> </span> <span class="all hidden"> 20世紀40年代末，小有成就的青年銀行家安迪（蒂姆·羅賓斯 Tim Robbins 飾）因涉嫌殺害妻子及她的情人而鋃鐺入獄。在這座名爲肖申克的監獄內，希望似乎虛無縹緲，終身監禁的懲罰無疑註定了安迪接下來灰暗絕望的人生。未過多久，安迪嘗試接近囚犯中頗有聲望的瑞德（摩根·弗里曼 Morgan Freeman 飾），請求對方幫自己搞來小錘子。以此爲契機，二人逐漸熟稔，安迪也彷彿在魚龍混雜、罪惡橫生、黑白混淆的牢獄中找到屬於自己的求生之道。他利用自身的專業知識，幫助監獄管理層逃稅、洗黑錢，同時憑藉與瑞德的交往在犯人中間也漸漸受到禮遇。表面看來，他已如瑞德那樣對那堵高牆從憎恨轉變爲處之泰然，但是對自由的渴望仍促使他朝着心中的希望和目標前進。而關於其罪行的真相，似乎更使這一切朝前推進了一步…… <br /> 本片根據著名作家斯蒂芬·金（Stephen Edwin King）的原著改編。 </span> <span class="pl"><a href="https://movie.douban.com/help/movie#t0-qs">©豆瓣</a></span> </div> </div>
在影片簡介較長時，全部信息在class屬性爲"all hidden"的span中，而簡介較短時，不存在這一標籤，property屬性爲"x:summary"的span中就已包含了全部文本。
1.2 爬蟲代碼
from urllib.request import urlopen, Request from bs4 import BeautifulSoup import re import numpy as np import pandas as pd import time #設置請求頭 headers = {'User-Agent':'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)'} def getLinks(articleUrl): """通過頁面獲取各個電影的鏈接""" 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] #目標鏈接 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: #拼接所有鏈接，共250條 links += getLinks(page) def Merge(dict1, dict2): """合併字典""" res = {**dict1, **dict2} return res allInfo = pd.DataFrame() keyList1 = ['導演', '編劇', '主演', '類型', '製片國家/地區', '語言', '上映日期', '片長', '又名'] keyList2 = ['5星', '4星', '3星', '2星', '1星'] def getInfo(articleUrl): """獲取每部電影的詳細信息""" global allInfo req = Request(url=articleUrl, headers=headers) html = urlopen(req) bsObj = BeautifulSoup(html) #獲取基礎信息info1 info1 = bsObj.find("div", {"id": "info"}) info1 = info1.get_text().split('\n')[1:-2] #通過正則表達式刪選信息 #貪婪匹配+?,無匹配生成空字符串|$ 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)) #獲取評分信息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) #獲取影片簡介 try: dictAll = Merge(dictAll, {"簡介": bsObj.find("span", {"class": "all hidden"}).get_text().strip()}) except: dictAll = Merge(dictAll, {"簡介": 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, "條信息") endTime = time.time() #片名作爲索引 allInfo.rename(index=dict(zip(range(0,allInfo.shape[0]),title)),inplace=True) #數據框寫入CSV文件 allInfo.to_excel('MovieInfo.xlsx', encoding="utf-8") print("共爬取", allInfo.shape[0], "條信息，用時", endTime-startTime, "秒")
1.3 部分說明
- 對於豆瓣的爬蟲，需要設置請求頭，否則訪問行爲會被拒絕，發生HTTPError；
- 共10個頁面分別爬取，所以採用了字符串相加生成列表存放這10個頁面的URL；
- links存放250個電影頁面的URL，列表合併直接用加號就行，links += getLinks(page)；
- 學習了字典合併的方法，def Merge(dict1, dict2)；
- 複習了正則表達式，貪婪匹配+?，有時匹配失敗會得到空列表，再引用元素[0]會報錯，使用|$可在無匹配時生成空字符串，避免錯誤；
- 由於某些影片缺失部分信息或多出部分信息，所以需要以目標信息keyList1中元素進行篩選；
- 由列表生成字典的方法，dict(zip(list1,list1))；
- 由字典向數據框添加行的方法，allInfo = allInfo.append(dictAll,ignore_index=True)；
- 由於爬蟲程序執行時間較長，使用了time.time()的方法進行計時；
- 最後採用.to_excel方法將數據框寫入Excel文件中。
1.4 結果展示
耐心等待後……
打開Excel文件查看：
2. Scrapy爬取千與千尋評論
2.1 查看網頁
https://movie.douban.com/subject/1291561/comments?start=0&limit=20&sort=new_score&status=P
start=後面的數字從0開始以20爲公差遞增，我們爬取0，20，40直到180，即前200條評論。
頁面截圖：
源碼：
<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>看過</span> <span class="allstar40 rating" title="推薦"></span> <span class="comment-time " title="2008-12-22 22:28:54"> 2008-12-22 </span> </span> </h3> <p class=""> <span class="short">有那麼那麼經典嗎？還是我老了？</span> </p> </div>
待爬取信息：
評論用戶、用戶鏈接、評論內容、評論投票數、評論時間。
2.2 items.py
import scrapy class TutorialItem(scrapy.Item): author = scrapy.Field()#評論用戶 link = scrapy.Field()#用戶鏈接 comment = scrapy.Field()#評論內容 vote = scrapy.Field()#評論投票數 time = scrapy.Field()#評論時間
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): # 設置name name = "douban" # 設定域名 allowed_domains = ["movie.douban.com"] # 填寫爬取地址 start_urls = [head + str(num) + "&limit=20&sort=new_score&status=P" for num in np.arange(0,200,20)] # 編寫爬取方法 def parse(self, response): for line in response.xpath('//div[@class="comment"]'): # 初始化item對象保存爬取的信息 item = TutorialItem() # 這部分是爬取部分，使用xpath的方式選擇信息，具體方法根據網頁結構而定 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
仍採用列表存放URL，複習了XPath知識。
2.4 settings.py
設置編碼：
FEED_EXPORT_ENCODING ='utf-8'
修改請求頭：
USER_AGENT = "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36"
其他設置保持默認。
2.5 數據存儲
另外新建一個py腳本，放在和工程文件夾tutorial相同的目錄下。
import pandas as pd import os import json #切換工作目錄至當前腳本路徑 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")
- 採用os包中的函數執行shell命令；
- 關於工作目錄的切換；
- 使用-o items.json保存json文件；
- 由於json難以直接閱讀，所以將其轉換爲數據框並以Excel格式寫出。
2.6 查看數據
執行程序後，在tutorial文件夾下新增items.json文件。
在notepad++中打開查看：
在py腳本文件所在目錄新增commentInfo.xlsx文件，打開查看：
3. 六度分隔爬蟲遊戲
六度分隔(Six Degrees of Separation)理論。簡單地說：“你和任何一個陌生人之間所間隔的人不會超五個，也就是說，最多通過六個人你就能夠認識任何一個陌生人。（來自百度百科）
百度百科中有很多詞條，並且相互直接有鏈接溝通，所以我們嘗試從某一詞條鏈接出發，不斷向其他詞條頁面跳轉，看看是否能在6次之內到達目標詞條。創意來自《Python網絡數據採集》。
3.1 查看網頁
這裏以我喜歡的歌手鄧麗君的詞條頁面爲例。
部分源碼：
通過觀察可以發現，指向其他詞條的鏈接都帶有屬性target="_blank"，且鏈接樣式爲類似於/item/%E6%B5%B7%E9%9F%B5的utf-8編碼。
以鄧麗君頁面爲起始頁面，以我喜歡的演員劉亦菲的詞條頁面爲終止頁面。
3.2 爬蟲代碼
from urllib.request import urlopen from bs4 import BeautifulSoup import re import random start = "鄧麗君" end = "劉亦菲" 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 #試驗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, "輪尋找", "第", j, "次跳轉", "中找到") flag = 1 break ran = random.randint(0, len(links)-1) newArticle = links[ran].attrs["href"] print("第",i+1, "輪尋找", "第", j+1, "次跳轉", links[ran].get_text().strip()) links = getLinks(newArticle) else: print("爬蟲中斷") break if(flag == 0): print("100輪尋找已完成，很遺憾未能找到。請檢查end變量是否是百度百科中存在的詞條。")
3.3 部分說明
- 觀察發現百度百科詞條鏈接中的utf-8編碼就是詞條中文名的編碼，所以構建了getUTF8函數；
- 在getLinks函數中，對獲取到的鏈接進行如下檢查：是否符合詞條鏈接的格式（正則表達式），是否爲空，是否重複，將符合格式、非空且不重複的鏈接列表返回；
- 最大跳轉次數爲6，默認進行100輪嘗試，如果找到則停止。
3.4 結果展示
運行了兩次試驗一下，結果如上所示。
去瀏覽器看一下，確實可以根據爬蟲給出的路線找到“劉亦菲”。
因爲這兩個明星比較有名氣吧，關聯到的詞條比較多，所以一般總是能在100輪尋找中找到，不過這也和運氣有關呢。
可以修改start和end進行其他測試，但是需要保證該詞語在百度百科的詞條中存在，start不存在會報錯，end不存在會找不到。