教你用python登陆豆瓣并爬取影评
这是我的第二篇原创文章
在上篇文章爬取豆瓣电影top250后,想想既然爬了电影,干脆就连影评也爬了,这样可以看看人们评价的电影,再加上刚出不久的移动迷官3好像挺热的,干脆就爬他吧,爬完看看好不好看!
1.去找目标网页并找到所要找的数据
一进去网页就条件反射打开开发者工具,很容易就看到了这个
鼠标所点的就是我接下来要爬的网站,先看看他的response和请求头之类的信息,他的请求方式时get,response是一个网页结构,这就好办了,我们就可以用正则来匹配出所要的数据,正则还是个很好用的东西,请大家务必要学会啊。那接下来就动手敲代码咯!
2.用re+requests获取数据
获取信息
先把数据写入txt文件中(打开的文件要指定编码为utf-8,要不会出现编码问题,因为window的默认编码方式是gbk,而你的编码为utf-8)
正则表达式和网址
一点击运行,只运行了两页,就出了问题,因为这个评论不止两页
调试了下,在获取完第二页的时候他返回了个不存在的网页,导致我的正则表达式捕捉不到数据,出现了个空的page,所以就只下载了两页,这应该是被反爬了,继续回网页看看需要加什么请求头,然而我把全部的请求头的信息都加了,还是没用,这就触及到我的盲区了(尴尬脸),但是我可以百度啊,百度一看,看见有人说模拟登陆就可以了,那好,我就来模拟登陆一波!!!
3.模拟登陆豆瓣
首先需要看看登陆需要什么参数,这个参数是在豆瓣的登陆网址,先打开登陆,打开开发者工具(要不会看不到后面这个所需要的网页),填好信息点击登陆,然后点击这个login网页,往下拉就会看到From Data 这个框,这个就是登陆所要的参数
直接把他们复制过来即可
然后就用post把信息发到服务器完成登陆,但是这有个问题,怎么保存登陆信息呢?这就需要用到Session()来保留了,但是注意,只需要建立一个会话信息就可以了,不是每个都用这个方法,我初学时就是犯这个错误以至于我搞了很久还没有登陆成功。代码如下
然后用这个post上去,注意!注意!注意!post的网址是登陆网址,不是你要爬的网址,我刚学时也是被这个坑了很久(怎么感觉我很多问题),还有其他用requests的都需要替换成self.ssession()
最后这样
大功告成,由于只能获取500条这是因为豆瓣只开放了500条评论信息,多一条都不肯给
4.登陆多了需要填验证码
由于我多次登陆注销,然后我就需要填验证码了,然而这还是难不到我,还是分析网页找出验证码图片然后下载下来自己填写,还没有那些大佬那么厉害可以用人工智能来填写,代码如下
还有将数据保留到数据库,我就不贴了,代码和上篇文章的差不多
通过这个我学会了使用session来保存会话信息来登陆简单网页,还可以填写验证码,自己还是觉得有点高大上的,嘻嘻。由于本人还没学数据分析,就只能到这里,而生成词云也有点不会,直接复制粘贴来无趣,所以就先不写了,等大神你来写吧!
最后非常感谢你看完了我的文章,如果觉得有用可以点赞,转发哈!若需要完整代码在我后台回复影评即可,若需要python相关的电子书也可以回复pdf获得,日后还会有更多福利发给你
上一篇文章:python使用requests+re简单入门爬虫
日常学python
一个专注于python的公众号