【Python】我的第一个豆瓣短评爬虫
写在开头
豆瓣上有着大量的影视剧的评论，所以说，要是想要实现对广大人民群众的观点的分析，对一部片子的理解，综合来看大家的评论是很有必要的。而短评作为短小精干的快速评论入口，是值得一谈的。
所以先要实现对其的数据的爬取。
目前来看，基本内容是可以爬取的。最大的问题在于速度。后续考虑准备运用多线程的方式处理下。以及可以尝试其他提速的方法。
下面是这个程序的构思编写过程。
构思准备
爬取的思路，及反省与思考
盲目状态
最初，并不知道豆瓣对于未登陆用户的限制，盲目的爬取，看着评论文件，发现行数太少，也就是说评论内容太少，感觉不对劲。
我利用了即时打印写入内容的方式，发现，到了第十页左右的时候，出现无法获得页面内评论内容，思考了下后，试着将页面源代码打印出来，发现到了后面，就出现提示权限不足。我一下子知道了，是因为没有登录的原因。
登录
之前看过内容，明白这时候应该借助cookie的方式了。
但是又要处理验证码。而且，似乎初次登陆的时候并不需要验证码。为了方便，下面直接使用了存在验证码的方式。
由于开始不了解，不知道应该提交哪些信息，多方查找后，终于明白，就是在登录页面登陆后，打开浏览器的开发者工具里，查看里面的网络，注意关注里面的方法一列中的post所在行那项。在登陆点击后，随着页面的跳转，会出现一个post页面，点击后查看其参数，若是火狐的话有个专门的参数窗口，其中就有要提交的参数了。包括用户信息，还有登录跳转页面（redir）等等。
在最初，我直接将https://accounts.douban.com/login选作登录地址，当然也将从其登陆的信息复制了出来，但是发现登录到redir还可以，要是用opener.open()再登录 \'https://movie.douban.com/subject/26934346/comments?start=\' + str(start) + \'&limit=20&sort=new_score&status=P\' 这里构造的页面是登不上的。这里我也是测试了好久才发现的问题。具体原因我不清楚。可能是有哪些知识我是遗漏了的。
后来觉察到这一点后，我尝试使用现在的信息登录，如下。
main_url = \'https://accounts.douban.com/login?source=movie\'
formdata = {
"form_email":"你的邮箱",
"form_password":"你的密码",
"source":"movie",
"redir":"https://movie.douban.com/subject/26934346/",
"login":"登录"
}
user_agent = r\'Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.94 Safari/537.36\'
headers = {\'User-Agnet\': user_agent, \'Connection\': \'keep-alive\'}
诶，竟然登上去了！
关于验证码的纠结思考
由于豆瓣的验证码是登一次变一次的。所以在发生上面的问题时，在没有找到正确的处理办法之时，我怀疑是因为验证码，在我获取上一次验证码图片，并将验证信息输入到formdata这个提交信息的字典中后，再次使用request.Request(url=main_url, data=logingpostdata, headers=headers)与opener.open(req_ligin).read().decode(\'utf-8\')的时候，会不会验证码发生了变化？而我提交的是刚才的验证码？
又开始查资料，后来终于明白，这里提交的信息中指定了验证码的图片的captchaID，这样使得提交信息时候，返回来的验证码图片也就是这个，图片id是唯一的，当你自己修改了提交内容，豆瓣也会使用你提供的这个id来获取服务器里的验证码图片，所以保证了图片的一致。（这是我的理解，觉得有问题，或者更精确的理解的，欢迎留言）
使用库的考虑
BeautifulSoup， re
准备尝试下beautiful soup这个库，对于拆解html页面很便利。但是在实践中，还是可能会用到正则表达式re模块。可见，正则表达式还是很重要的。掌握基本可以查表使用时必须的。
在代码中可以看出，我对于该库的使用还是有些粗，不巧妙，还有待加强。
不过，今天尝试了下，用CSS选择器还是很方便的。select()方法，很方便，可以参考从浏览器开发者工具里选择元素对应的CSS选择器，很直接。
urllib.request，http.cookiejar
借鉴之前使用urllib.request的经验，尝试直接使用urllib.request.Request(url, headers=headers)与urllib.request.urlopen(request, data=None, timeout=3)发现，豆瓣的短评，最一开始还好，但是在爬取将近十多页的短评时，会报出Forbidden的异常，查询后得知，应该是豆瓣对于游客用户的限制，需要登录才可以。参考网上一些其他教程，可以使用设置cookie的方法来处理。
使用了cookiejar.CookieJar()声明对象，来保存cookie到了变量中。利用的request.HTTPCookieProcessor()来创建cookie处理器。利用request.build_opener()构造了一个 opener，后面利用opener.open()来打开直接网页或者处理请求。
socket
类似上一个爬虫里的设置，这里直接使用了全局的超时设定。
import socket
timeout = 3
socket.setdefaulttimeout(timeout)
限制三秒，超出就抛出socket.timeout异常。捕获后重新连接。
# 超时重连
state = False
while not state:
try:
html = opener.open(url).read().decode(\'utf-8\')
state = True
except socket.timeout:
state = False
time
为了防止爬取过快，设置了循环的延时。
for ...:
...
time.sleep(3)
完整代码
# -*- coding: utf-8 -*-
"""
Created on Thu Aug 17 16:31:35 2017
@note: 为了便于阅读，将模块的引用就近安置了
@author: lart
"""
# 用于生成短评页面网址的函数
def MakeUrl(start):
"""make the next page\'s url"""
url = \'https://movie.douban.com/subject/26934346/comments?start=\' + str(start) + \'&limit=20&sort=new_score&status=P\'
return url
# 登录页面信息
main_url = \'https://accounts.douban.com/login?source=movie\'
formdata = {
"form_email":"你的邮箱",
"form_password":"你的密码",
"source":"movie",
"redir":"https://movie.douban.com/subject/26934346/",
"login":"登录"
}
user_agent = r\'Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.94 Safari/537.36\'
headers = {\'User-Agnet\': user_agent, \'Connection\': \'keep-alive\'}
# 保存cookies便于后续页面的保持登陆
from urllib import request
from http import cookiejar
cookie = cookiejar.CookieJar()
cookie_support = request.HTTPCookieProcessor(cookie)
opener = request.build_opener(cookie_support)
# 编码信息，生成请求，打开页面获取内容
from urllib import parse
logingpostdata = parse.urlencode(formdata).encode(\'utf-8\')
req_ligin = request.Request(url=main_url, data=logingpostdata, headers=headers)
response_login = opener.open(req_ligin).read().decode(\'utf-8\')
# 获取验证码图片地址
from bs4 import BeautifulSoup
try:
soup = BeautifulSoup(response_login, "html.parser")
captchaAddr = soup.find(\'img\', id=\'captcha_image\')[\'src\']
# 匹配验证码id
import re
reCaptchaID = r\'<input type="hidden" name="captcha-id" value="(.*?)"/\'
captchaID = re.findall(reCaptchaID, response_login)
# 下载验证码图片
request.urlretrieve(captchaAddr, "captcha.jpg")
# 输入验证码并加入提交信息中，重新编码提交获得页面内容
captcha = input(\'please input the captcha:\')
formdata[\'captcha-solution\'] = captcha
formdata[\'captcha-id\'] = captchaID[0]
logingpostdata = parse.urlencode(formdata).encode(\'utf-8\')
req_ligin = request.Request(url=main_url, data=logingpostdata, headers=headers)
response_login = opener.open(req_ligin).read().decode(\'utf-8\')
finally:
# 获得页面评论文字
soup = BeautifulSoup(response_login, "html.parser")
totalnum = soup.select("div.mod-hd h2 span a")[0].get_text()[3:-2]
# 计算出页数和最后一页的评论数
pagenum = int(totalnum) // 20
commentnum = int(totalnum) % 20
print(pagenum, commentnum)
# 设置等待时间，避免爬取太快
import time
# 用于在超时的时候抛出异常，便于捕获重连
import socket
timeout = 3
socket.setdefaulttimeout(timeout)
# 追加写文件的方式打开文件
with open(\'秘密森林的短评.txt\', \'w+\', encoding=\'utf-8\') as file:
# 循环爬取内容
for item in range(pagenum):
print(\'第\' + str(item) + \'页\')
start = item * 20
url = MakeUrl(start)
# 超时重连
state = False
while not state:
try:
html = opener.open(url).read().decode(\'utf-8\')
state = True
except socket.timeout:
state = False
# 获得评论内容
soup = BeautifulSoup(html, "html.parser")
comments = soup.select("div.comment > p")
for text in comments:
file.write(text.get_text().split()[0] + \'\n\')
print(text.get_text())
limit_num = 0
if item == pagenum - 1:
limit_num =+ 1
if limit_num == commentnum:
break
time.sleep(3)
print(\'采集写入完毕\')
结果
可见至少也有9200条评论，不管是否有所遗漏，基数已经基本无差。
后续处理
数据已经到手，怎样玩耍就看自己的想法了，近期看到了一篇文章,讲了利用词频制作词云，生成图片，有点意思，决定模仿试试。