一、學習開始前需安裝模塊

pip install requests
pip install lxml
pip install pandas

二、講解概要

利用requests+xpath爬取豆瓣影評------適合0基礎同學學習

三、正式開始，豎起你的小眼睛

1.requests + xpath 爬取豆瓣影評
   （1）獲取頁面內容

# 爬取頁面 url
douban_url = 'https://movie.douban.com/subject/26647117/comments?status=P'
# requests 發送請求
get_response = requests.get(douban_url)
# 將返回的響應碼轉換成文本（整個網頁）
get_data = get_response.text
'''
到這里我們就已經獲取了整個網頁的內容，
可以‘算’是完成了爬蟲
'''

    （2）分析頁面內容，獲取我們想要的內容

• 瀏覽器中打開我們要爬取的頁面

• 按F12進入開發者工具，查看我們想要的數據在哪里

• 分析我們獲取的 xpath值
  '/html/body/div[3]/div[1]/div/div[1]/div[4]/div[1]/div[2]/h4/span[2]/a'
  '/html/body/div[3]/div[1]/div/div[1]/div[4]/div[2]/div[2]/h4/span[2]/a'
  '/html/body/div[3]/div[1]/div/div[1]/div[4]/div[3]/div[2]/h4/span[2]/a'

• 通過觀察我們發現,這幾個xpath只有細微不同,上面加粗的部分已數加的格式改變，所以我們要爬取所有的 commentator（評論者），只需把xpath改為：
          '/html/body/div[3]/div[1]/div/div[1]/div[4]/div/div[2]/h4/span[2]/a'
  即不要后面的序號，當我們查詢時，會自動捕獲類似的xpath。

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

# （跟在上面代碼后）解析頁面，并輸出獲取內容
a = etree.HTML(get_data)
commentator = s.xpath('/html/body/div[3]/div[1]/div/div[1]/div[4]/div/div[2]/h4/span[2]/a/text()')
comment_content = a.xpath('/html/body/div[3]/div[1]/div/div[1]/div[4]/div/div[2]/p/text()')
# 解析獲取內容，去除多余內容
for i in range(0,len(files)):
    print(commentator[i]+'說：')
    files[i].strip(r'\n')
    files[i].strip(' ')
    print(comment_content[i])

• 運行結果（一部分數據）

Oriol Paulo說： '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： 對于平均水準以上的年輕導演，應毫不吝嗇予以鼓勵，對于年齡一大把了還言之無物的導演，才要無情打擊。

西樓塵說： 老板兒子吃真空羊肉，貪婪絞入碎肉機；屠夫兒子喝污染井水，正義只在電視屏。戳瞎左眼，被戳傷的同鄉都能包庇；咬斷舌頭，被救助的律師卻不敢發聲。憑蠻力壘不成金字塔，靠假聲變不成兔子媽。超人面具如同良心咒，送不回原主；尋子告示像是招魂符，在風里飄搖。真相埋進泥土，藏入山洞，終于再無人知。

#85說： 忻鈺坤第二部作品不是一部秀操作的《心迷宮2.0》，要說風格像誰，都像也都不像：凝視山洞的庫布里克單點透視、像科恩兄弟一樣塑造的神經質殺手、《老男孩》一樣的長廊Fight…不一樣的是，不只是想告訴你兇手是誰，而是他的選擇，以及像手術刀一樣劃開上層失態、中層失德、底層失語、人間失格的社會癥結

一口吃掉小蛋糕說： 結尾太贊，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候就猜到了結尾。只不過細思極恐，井水為什么越來越咸？為什么那么多人都水腫？村長是知道的，不然不會喝礦泉水。然而這個梗，最后卻沒有過多的交代

大大肉罐說： 上層偽善殘暴，中層冷漠自私，下層失語無力。

武俠小王子說： 當年摩托羅拉的電量還是大大不如諾基亞。

劉瀟陽說： 僅僅是80%成片，已經精彩絕倫。中國類型片就該這么拍。良好的多線敘事控制力，深穴映射人性，爆炸增長的經濟，暴裂難控的社會問題，男人無聲的憤恨和傷痛，就像無法發聲的底層人民。黑暗結尾，孩子沒有尋回，真相沒有昭顯，這卻是社會真相。有時惡人作惡，僅是為了與相同利益者變成真正的同盟。

木衛二說： 不斷向下，墮入黑暗的那種片子，鞭撻了社會主要矛盾，且不負責提供解謎快感，所以看完會很沉，很堵。如果《心迷宮》還是手工時代的自發創作，《暴裂無聲》明顯是工業時代（卡司動作特效）的考量，三人較勁，律師一角太弱，宋洋戰力太強，姜武模式化。優點和缺陷都比較明顯。

巴伐利亞酒神說： 結局太他媽的屌了，看完在影院倒吸一口涼氣。影射也很牛逼啊，1984的摩托牌照，一個底層屌絲的人設為啞巴（沒有話語權），律師（代表中產和法律）和煤老板（代表權貴和黑惡勢力）的相互勾結。所以即便張保民擁有《黃海》里綿正赫那樣爆表的武力值，也只能淪為這個殘酷社會的犧牲品。

凌睿說： 當你望著深淵的時候，深淵也在望著你。

frozenmoon說： 昌萬年是食肉者，徐文杰是喝湯的，而張保民本人就是“肉”，原本他們在食物鏈的一個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，每個人都發現自己不過都是“肉”，昌摘下假發和西裝，也得臣服于暴力和運氣，徐走出金錢和言辭的保護也要面對殘酷，張的代價或許更大。人性暴裂的悶響。

無恥不混蛋說： 影片最打動我的，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”。我們屬于“失語的一代”，對應片中，不僅僅只是表層的啞巴張保民的“生理性失語”，更是，精英階層律師在片尾所選擇的“主動性失語”。而影片對“失語”的精準展示，不僅敏感捕捉到了時代痛點，而且極為戳痛人心。

    （3）實現翻頁，并把評論人和評論內容存入csv文件

• 翻頁(1)
  和前面分析xpath不同，我們只要找出每頁之間url的不同之處和規律即可。

  # 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'
  

  觀察發現，除了第一個，每個url就只有 start的值不同，而且每次增加20，上面已經說了start屬性，通過觀察我們也不難發現，每個頁面只有20條評論，這個是由 limit這個屬性控制的（小編已經試過，人為改動是沒有用的，估計是豆瓣的反爬，但并不影響我們），我這里想說明的是這個start的值之所以會以20為增量，就是這個 limit 控制的。

• 翻頁(2)

 # 獲取評論總數
  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()"))
  # 計算出總的的頁面數（每頁有20條評論）
  page_counts = int(comment_counts/20)
  # 請求訪問，并把爬取數據存入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行修改，讓代碼看起，我們可以把前面寫的代碼封裝成一個函數get_respones_data()，傳入一個訪問url參數,獲得返回的HTML。

代碼大整改：

import requests
from lxml import etree
import pandas as pd
def get_respones_data(douban_url = 'https://movie.douban.com/subject/26647117/comments?status=P'):
      # requests 發送請求
      get_response = requests.get(douban_url)
      # 將返回的響應碼轉換成文本（整個網頁）
      get_data = get_response.text
      # 解析頁面
      a = etree.HTML(get_data)
      return a
  first_a = get_respones_data()
  # 翻頁
  comment_counts = first_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()"))
  page_counts = int(comment_counts / 20)
 #小編已經測試過了，如果沒有登入的話最多只能訪問10個頁面，也就是200條評論
 #下一期小編將教大家如何應對反爬
  for i in range(0, page_counts+1):
      turn_page_url = 'https://movie.douban.com/subject/26647117/comments?start={}&limit=20&sort=new_score&status=P'.format(
          i * 20)
      print(turn_page_url)
      a = get_respones_data(turn_page_url)
      # 獲取評論人和評論內容
      commentator = a.xpath('/html/body/div[3]/div[1]/div/div[1]/div[4]/div/div[2]/h4/span[2]/a/text()')
      comment_content = a.xpath('/html/body/div[3]/div[1]/div/div[1]/div[4]/div/div[2]/p/text()')
      # 解析內容，并存入csv文件
      content = [' ' for i in range(0, len(commentator))]
      for i in range(0, len(commentator)):
          comment_content[i].strip(r'\n')
          comment_content[i].strip(' ')
          content_s = [commentator[i],comment_content[i]]
          content[i] = content_s
      name = ['評論人','評論內容']
      file_test = pd.DataFrame(columns=name, data=content)
      if i == 0:
          file_test.to_csv(r'H:\PyCoding\FlaskCoding\Test_all\test0609\app\comment_content.cvs',encoding='utf-8',index=False)
      else:
          file_test.to_csv(r'H:\PyCoding\FlaskCoding\Test_all\test0609\app\comment_content.cvs',mode='a+',encoding='utf-8',index=False)

四、來點進階的（和爬蟲無關）

新安裝模塊

1pip install jieba
2pip install re
3pip install csv
4pip install pyecharts
5pip install numpy

1. 解析數據
   

1    with codecs.open(r'H:\PyCoding\FlaskCoding\Test_all\test0609\app\comment_content.cvs', 'r', 'utf-8') as csvfile:
 2        content = ''
 3        reader = csv.reader(csvfile)
 4        i =0
 5        for file1 in reader:
 6            if i == 0 or i ==1:
 7                pass
 8            else:
 9                content =content + file1[1]
10            i = i +1
11        # 去除所有評論里多余的字符
12        content = re.sub('[,，。. \r\n]', '', content)

2.分析數據

# 切詞，將整個評論分解成一個個的詞語
1segment = jieba.lcut(content)
2words_df = pd.DataFrame({'segment': segment})
3# quoting=3 表示stopwords.txt里的內容全部不引用
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)]
# 計算每個詞語重復出現次數
6words_stat = words_df.groupby(by=['segment'])['segment'].agg({"計數": numpy.size})
7words_stat = words_stat.reset_index().sort_values(by=["計數"], ascending=False)

3.數據可視化

1test = words_stat.head(1000).values
# 獲取所有詞語
2words = [test[i][0] for i in range(0,len(test))]
# 獲取詞語對于的出現次數
3counts = [test[i][1] for i in range(0,len(test))]
4wordcloud = WordCloud(width=1300, height=620)
# 生成詞云圖
5wordcloud.add("爆裂無聲", words, counts, word_size_range=[20, 100])
6wordcloud.render()