爬蟲，從基礎(chǔ)到進(jìn)階（一）

一、學(xué)習(xí)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(píng)------適合0基礎(chǔ)同學(xué)學(xué)習(xí)

   (本來(lái)昨天是騎士對(duì)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(jiǎn)單點(diǎn)，哈哈哈。)
   

   2.下一期，將帶大家學(xué)習(xí)如何應(yīng)對(duì)反爬

三、正式開始，豎起你的小眼睛

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

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

    （2）分析頁(yè)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(yè)面

• 按F12進(jìn)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(píng)論人+評(píng)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(guò)觀察我們發(fā)現(xiàn),這幾個(gè)xpath只有細(xì)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(píng)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(hào)，當(dāng)我們查詢時(shí)，會(huì)自動(dòng)捕獲類似的xpath。

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

• 運(yùn)行結(jié)果（一部分?jǐn)?shù)據(jù)）

Oriol Paulo說(shuō)： '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(shuō)： 對(duì)于平均水準(zhǔn)以上的年輕導(dǎo)演，應(yīng)毫不吝嗇予以鼓勵(lì)，對(duì)于年齡一大把了還言之無(wú)物的導(dǎo)演，才要無(wú)情打擊。

西樓塵說(shuō)： 老板兒子吃真空羊肉，貪婪絞入碎肉機(jī)；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?jì)?。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(fēng)里飄搖。真相埋進(jìn)泥土，藏入山洞，終于再無(wú)人知。

#85說(shuō)： 忻鈺坤第二部作品不是一部秀操作的《心迷宮2.0》，要說(shuō)風(fēng)格像誰(shuí)，都像也都不像：凝視山洞的庫(kù)布里克單點(diǎn)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(zhǎng)廊Fight…不一樣的是，不只是想告訴你兇手是誰(shuí)，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(yǔ)、人間失格的社會(huì)癥結(jié)

一口吃掉小蛋糕說(shuō)： 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(shí)候就猜到了結(jié)尾。只不過(guò)細(xì)思極恐，井水為什么越來(lái)越咸？為什么那么多人都水腫？村長(zhǎng)是知道的，不然不會(huì)喝礦泉水。然而這個(gè)梗，最后卻沒有過(guò)多的交代

大大肉罐說(shuō)： 上層偽善殘暴，中層冷漠自私，下層失語(yǔ)無(wú)力。

武俠小王子說(shuō)： 當(dāng)年摩托羅拉的電量還是大大不如諾基亞。

劉瀟陽(yáng)說(shuō)： 僅僅是80%成片，已經(jīng)精彩絕倫。中國(guó)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(zhǎng)的經(jīng)濟(jì)，暴裂難控的社會(huì)問(wèn)題，男人無(wú)聲的憤恨和傷痛，就像無(wú)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(huì)真相。有時(shí)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(shuō)： 不斷向下，墮入黑暗的那種片子，鞭撻了社會(huì)主要矛盾，且不負(fù)責(zé)提供解謎快感，所以看完會(huì)很沉，很堵。如果《心迷宮》還是手工時(shí)代的自發(fā)創(chuàng)作，《暴裂無(wú)聲》明顯是工業(yè)時(shí)代（卡司動(dòng)作特效）的考量，三人較勁，律師一角太弱，宋洋戰(zhàn)力太強(qiáng)，姜武模式化。優(yōu)點(diǎn)和缺陷都比較明顯。

巴伐利亞酒神說(shuō)： 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(gè)底層屌絲的人設(shè)為啞巴（沒有話語(yǔ)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(shì)力）的相互勾結(jié)。所以即便張保民擁有《黃海》里綿正赫那樣爆表的武力值，也只能淪為這個(gè)殘酷社會(huì)的犧牲品。

凌睿說(shuō)： 當(dāng)你望著深淵的時(shí)候，深淵也在望著你。

frozenmoon說(shuō)： 昌萬(wàn)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?cè)谑澄镦湹囊粋€(gè)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(gè)人都發(fā)現(xiàn)自己不過(guò)都是“肉”，昌摘下假發(fā)和西裝，也得臣服于暴力和運(yùn)氣，徐走出金錢和言辭的保護(hù)也要面對(duì)殘酷，張的代價(jià)或許更大。人性暴裂的悶響。

無(wú)恥不混蛋說(shuō)： 影片最打動(dòng)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(yǔ)”。我們屬于“失語(yǔ)的一代”，對(duì)應(yīng)片中，不僅僅只是表層的啞巴張保民的“生理性失語(yǔ)”，更是，精英階層律師在片尾所選擇的“主動(dòng)性失語(yǔ)”。而影片對(duì)“失語(yǔ)”的精準(zhǔn)展示，不僅敏感捕捉到了時(shí)代痛點(diǎn)，而且極為戳痛人心。

    （3）實(shí)現(xiàn)翻頁(yè)，并把評(píng)論人和評(píng)論內(nèi)容存入csv文件

• 翻頁(yè)(1)
  和前面分析xpath不同，我們只要找出每頁(yè)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(gè)，每個(gè)url就只有 start的值不同，而且每次增加20，上面已經(jīng)說(shuō)了start屬性，通過(guò)觀察我們也不難發(fā)現(xiàn)，每個(gè)頁(yè)面只有20條評(píng)論，這個(gè)是由 limit這個(gè)屬性控制的（小編已經(jīng)試過(guò)，人為改動(dòng)是沒有用的，估計(jì)是豆瓣的反爬，但并不影響我們），我這里想說(shuō)明的是這個(gè)start的值之所以會(huì)以20為增量，就是這個(gè) limit 控制的。

• 翻頁(yè)(2)

 # 獲取評(píng)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(guò)()'))
  # 計(jì)算出總的的頁(yè)面數(shù)（每頁(yè)有20條評(píng)論）
  page_counts = int(comment_counts/20)
  # 請(qǐng)求訪問(wèn)，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(jìn)行修改，讓代碼看起，我們可以把前面寫的代碼封裝成一個(gè)函數(shù)get_respones_data()，傳入一個(gè)訪問(wèn)url參數(shù),獲得返回的HTML。

代碼大整改：

四、來(lái)點(diǎn)進(jìn)階的（和爬蟲無(wú)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(gè)評(píng)論分解成一個(gè)個(gè)的詞語(yǔ)
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(jì)算每個(gè)詞語(yǔ)重復(fù)出現(xiàn)次數(shù)
6words_stat = words_df.groupby(by=['segment'])['segment'].agg({'計(jì)數(shù)': numpy.size})
7words_stat = words_stat.reset_index().sort_values(by=['計(jì)數(shù)'], ascending=False)

3.數(shù)據(jù)可視化