话不多说,先给大家上我亲测的完整代码
# 程序功能:爬豆瓣电影上指定电影的短评 import pymysql import requests from bs4 import BeautifulSoup import pandas as pd import os import random from time import sleep # 请求头 h1 = { 'Cookie': 'bid=urNzWwdwG5s; gr_user_id=7b083a3b-f999-45f3-8b57-899422537462; ' '__gads=ID=c43e6cbe5e55b07b-220c4766e6db0021:T=1678071910:RT=1678071910:S' '=ALNI_MYqyEHZciozJa5VoMA2XjC6Iu7TQw; ' '__gpi=UID=00000bd25a25a974:T=1678071910:RT=1678071910:S=ALNI_Mb1QiGjI2Rl9LZ8AeROjj3zTZ6cRw; ' 'll="108309"; _pk_id.100001.4cf6=aeb26857e6a2d511.1703750925.; ' '_vwo_uuid_v2=DE46F19B4614438DB1ADF3E25DF9BDCE8|47992c4b59d5dd1e2ff819eac089c1fc; ' '__yadk_uid=oTFPD3WaMBoHvQiCXegnItFup6Z6o7dH; ' '_pk_ref.100001.4cf6=%5B%22%22%2C%22%22%2C1703817890%2C%22https%3A%2F%2Fcn.bing.com%2F%22%5D; ap_v=0,' '6.0; __utma=30149280.1505852171.1678071877.1703750925.1703817891.3; __utmc=30149280; ' '__utmz=30149280.1703817891.3.2.utmcsr=cn.bing.com|utmccn=(referral)|utmcmd=referral|utmcct=/; ' '__utma=223695111.589624156.1703750925.1703750925.1703817891.2; __utmc=223695111; ' '__utmz=223695111.1703817891.2.2.utmcsr=cn.bing.com|utmccn=(referral)|utmcmd=referral|utmcct=/', 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', 'Accept-Encoding': 'gzip, deflate', 'Host': 'movie.douban.com', 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) ' 'Version/15.4 Safari/605.1.15', 'Accept-Language': 'zh-CN,zh-Hans;q=0.9', 'Referer': 'https://movie.douban.com/subject/35267224/?from=showing', 'Connection': 'keep-alive' } def trans_star(v_str): """转换评论星级""" v_str = v_str[0] if v_str == 'allstar10': return '1星' elif v_str == 'allstar20': return '2星' elif v_str == 'allstar30': return '3星' elif v_str == 'allstar40': return '4星' elif v_str == 'allstar50': return '5星' else: return '未知' def get_short(v_movie_id): """爬取短评数据""" global dt for page in range(1, max_page + 1): # 爬取前n页 requests.packages.urllib3.disable_warnings() # 请求地址 url = 'https://movie.douban.com/subject/{}/comments?start={}&limit=20&status=P&sort=new_score'.format( v_movie_id, (page - 1) * 20) # 发送请求 response = requests.get(url, headers=h1, verify=False) print(response.status_code) # 解析页面数据 soup = BeautifulSoup(response.text, 'html.parser') # 所有评论数据 reviews = soup.find_all('div', {'class': 'comment'}) print('开始爬取第{}页,共{}条评论'.format(page, len(reviews))) sleep(random.uniform(1, 2)) # 定义空列表用于存放数据 user_name_list = [] # 评论者昵称 star_list = [] # 评论星级 time_list = [] # 评论时间 ip_list = [] # 评论者ip属地 vote_list = [] # 有用数 content_list = [] # 评论内容 for review in reviews: # 评论者昵称 user_name = review.find('span', {'class': 'comment-info'}).find('a').text user_name_list.append(user_name) # 评论星级 star = review.find('span', {'class': 'comment-info'}).find_all('span')[1].get('class') star = trans_star(star) star_list.append(star) # 评论时间 time2 = review.find('span', {'class': 'comment-time'}).text.strip() print('评论时间:', time2) time_list.append(time2) # 评论者IP属地 ip = review.find('span', {'class': 'comment-location'}).text ip_list.append(ip) # 有用数 vote = review.find('span', {'class': 'votes vote-count'}).text vote_list.append(vote) # 评论内容 content = review.find('span', {'class': 'short'}).text content = content.replace(',', ',').replace(' ', '').replace('\n', '').replace('\t', '').replace('\r', '') content_list.append(content) df = pd.DataFrame( { '页码': page, '评论者昵称': user_name_list, '评论星级': star_list, '评论时间': time_list, '评论者IP属地': ip_list, '有用数': vote_list, '评论内容': content_list, } ) data_json = df.to_dict(orient='records') for dt in data_json: print(dt) sql = 'insert into douban_data values ("%s","%s","%s","%s","%s","%s","%s")' % ( dt['页码'], dt['评论者昵称'], dt['评论星级'], dt['评论时间'], dt['评论者IP属地'], dt['有用数'], dt['评论内容']) cursor.execute(sql) # 执行语句 db.commit() # 定义sql语句 cursor.execute(sql) # 执行语句 db.commit() # 设置csv文件表头 if os.path.exists(result_file): header = False else: header = True # 保存到csv文件 df.to_csv(result_file, mode='a+', header=header, index=False, encoding='utf_8_sig') print('文件保存成功:', result_file) if __name__ == '__main__': # host:地址 potr:端口 user:用户名 password:密码 db:数据库名 charset:编码 db = pymysql.connect(host="localhost", port=3306, user="root", password="ping1212", db="豆瓣", charset="utf8mb4") cursor = db.cursor() # 创建游标 # 电影id movie_id = '35556001' # 最大爬取页 max_page = 5 # 最大为30页 # 保存文件名 result_file = '豆瓣短评_{}_前{}页.csv'.format(movie_id, max_page) # 如果csv文件存在,先删除之 if os.path.exists(result_file): os.remove(result_file) print('结果文件存在,已删除: {}'.format(result_file)) # 循环爬取短评 get_short(movie_id) # 定义数据库
要想代码运行成功,还需要做以下准备工作:
一、找到你想要爬取的网站数据代码(步骤如下)
1、打开你想要爬取的网站,点击“设置”
2、依次点击“更多工具”、“开发人员工具”
3、打开之后,还需要刷新一下
4、点击第一个文件,就可以找到我们代码中所需要的地址代码。
二、打开pycharm , 把我给大家的代码复制粘贴,然后修改以下几个地方就ok了。
1、把上面我们在网站上找到的相关代码打上去。
2、红色标注的地方是你想爬取的网站地址
三、下面几个步骤是如何将pycharm的数据导入navicat中。
1、在navict中新建一个数据库,在数据库下面新建一个表并命名,红色标注的地方填你自己在数据标注命名的名字。
2、还有个至关重要的一步就是要在navicat中设置字符集,我今天也在这个地方搞了大半天才弄明白,具体位置看图!
结束啦,以上准备工作做完之后,就可以运行咱们的代码去爬取自己想要的数据了~
、