詳解如何用Python登錄豆瓣并爬取影評

上一篇我們講過Cookie相關(guān)的知識，了解到Cookie是為了交互式web而誕生的，它主要用于以下三個(gè)方面：

1. 會話狀態(tài)管理（如用戶登錄狀態(tài)、購物車、游戲分?jǐn)?shù)或其它需要記錄的信息）
2. 個(gè)性化設(shè)置（如用戶自定義設(shè)置、主題等）
3. 瀏覽器行為跟蹤（如跟蹤分析用戶行為等）

我們今天就用requests庫來登錄豆瓣然后爬取影評為例子，用代碼講解下Cookie的會話狀態(tài)管理（登錄）功能。

此教程僅用于學(xué)習(xí)，不得商業(yè)獲利！如有侵害任何公司利益，請告知刪除！

一、需求背景

之前豬哥帶大家爬取了優(yōu)酷的彈幕并生成詞云圖片，發(fā)現(xiàn)優(yōu)酷彈幕的質(zhì)量并不高，有很多介詞和一些無效詞，比如：哈哈、啊啊、這些、那些。。。而豆瓣口碑一直不錯(cuò)，有些書或者電影的推薦都很不錯(cuò)，所以我們今天來爬取下豆瓣的影評，然后生成詞云，看看效果如何吧！

二、功能描述

我們使用requests庫登錄豆瓣，然后爬取影評，最后生成詞云！

為什么我們之前的案例（京東、優(yōu)酷等）中不需要登錄，而今天爬取豆瓣需要登錄呢？那是因?yàn)槎拱暝跊]有登錄狀態(tài)情況下只允許你查看前200條影評，之后就需要登錄才能查看，這也算是一種反扒手段！

三、技術(shù)方案

我們看下簡單的技術(shù)方案，大致可以分為三部分：

1. 分析豆瓣的登錄接口并用requests庫實(shí)現(xiàn)登錄并保存cookie
2. 分析豆瓣影評接口實(shí)現(xiàn)批量抓取數(shù)據(jù)
3. 使用詞云做影評數(shù)據(jù)分析

方案確定之后我們就開始實(shí)際操作吧！

四、登錄豆瓣

做爬蟲前我們都是先從瀏覽器開始，使用調(diào)試窗口查看url。

1.分析豆瓣登錄接口

打開登錄頁面，然后調(diào)出調(diào)試窗口，輸入用戶名和密碼，點(diǎn)擊登錄。

這里豬哥建議輸入錯(cuò)誤的密碼，這樣就不會因?yàn)轫撁嫣D(zhuǎn)而捕捉不到請求！上面我們便獲取到登錄請求的URL：https://accounts.douban.com/j/mobile/login/basic

因?yàn)槭且粋€(gè)POST請求，所以我們還需要看看請求登錄時(shí)攜帶的參數(shù)，我們將調(diào)試窗口往下拉查看Form Data。

2.代碼實(shí)現(xiàn)登錄豆瓣

得到登錄請求URL和參數(shù)后，我們就可以來用requests庫來寫一個(gè)登錄功能！

3.保存會話狀態(tài)

上期我們在爬取優(yōu)酷彈幕的時(shí)候我們是復(fù)制瀏覽器中的Cookie到請求頭中這來來保存會話狀態(tài)，但是我們?nèi)绾巫尨a自動保存Cookie呢？

也許你見過或者使用過urllib庫，它用來保存Cookie的方式如下：

cookie = http.cookiejar.CookieJar()
handler = urllib.request.HttpCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
opener(url)

但是前面我們介紹requests庫的時(shí)候就說過：

requests庫是一個(gè)基于urllib/3的第三方網(wǎng)絡(luò)庫，它的特點(diǎn)是功能強(qiáng)大，API優(yōu)雅。由上圖我們可以看到，對于http客戶端python官方文檔也推薦我們使用requests庫，實(shí)際工作中requests庫也是使用的比較多的庫。

所以今天我們來看看requests庫是如何優(yōu)雅的幫我們自動保存Cookie的？我們來對代碼做一點(diǎn)微調(diào)，使之能自動保存Cookie維持會話狀態(tài)！

上述代碼中，我們做了兩處改動：

1. 在最上面增加一行s = requests.Session()，生成Session對象用來保存Cookie
2. 發(fā)起請求不再是原來的requests對象，而是變成了Session對象

我們可以看到發(fā)起請求的對象變成了session對象，它和原來的requests對象發(fā)起請求方式一樣，只不過它每次請求會自動帶上Cookie，所以后面我們都用Session對象來發(fā)起請求！

4.這個(gè)Session對象是我們常說的session嗎？

講到這里也許有同學(xué)會問：requests.Session對象是不是我們常說的session呢？

答案當(dāng)然不是，我們常說的session是保存在服務(wù)端的，而requests.Session對象只是一個(gè)用于保存Cookie的對象而已，我們可以看看它的源碼介紹

所以大家千萬不要將requests.Session對象與session技術(shù)搞混了！

五、爬取影評

我們實(shí)現(xiàn)了登錄和保存會話狀態(tài)之后，就可以開始干正事啦！

1.分析豆瓣影評接口

首先在豆瓣中找到自己想要分析的電影，這里豬哥選擇一部美國電影**《荒野生存》**，因?yàn)檫@部電影是豬哥心中之最，沒有之一！

然后下拉找到影評，調(diào)出調(diào)試窗口，找到加載影評的URL

2.爬取一條影評數(shù)據(jù)

但是爬取下來的是一個(gè)HTML網(wǎng)頁數(shù)據(jù)，我們需要將影評數(shù)據(jù)提取出來

3.影評內(nèi)容提取

上圖中我們可以看到爬取返回的是html，而影評數(shù)據(jù)便是嵌套在html標(biāo)簽中，如何提取影評內(nèi)容呢？

這里我們使用正則表達(dá)式來匹配想要的標(biāo)簽內(nèi)容，當(dāng)然也有更高級的提取方法，比如使用某些庫（比如bs4、xpath等）去解析html提取內(nèi)容，而且使用庫效率也比較高，但這是我們后面的內(nèi)容，我們今天就用正則來匹配！

我們先來分析下返回html 的網(wǎng)頁結(jié)構(gòu)

我們發(fā)現(xiàn)影評內(nèi)容都是在span class="short">/span>這個(gè)標(biāo)簽里，那我們 就可以寫正則來匹配這個(gè)標(biāo)簽里的內(nèi)容啦！

檢查下提取的內(nèi)容

4.批量爬取

我們爬取、提取、保存完一條數(shù)據(jù)之后，我們來批量爬取一下。根據(jù)前面幾次爬取的經(jīng)驗(yàn)，我們知道批量爬取的關(guān)鍵在于找到分頁參數(shù)，我們可以很快發(fā)現(xiàn)URL中有一個(gè)start參數(shù)便是控制分頁的參數(shù)。

這里只爬取了25頁就爬完，我們可以去瀏覽器中驗(yàn)證一下，是不是真的只有25頁，豬哥驗(yàn)證過確實(shí)只有25頁！

六、分析影評

數(shù)據(jù)抓取下來之后，我們就來使用詞云分析一下這部電影吧！

基于使用詞云分析的案例前面已經(jīng)講過兩個(gè)了，所以豬哥只會簡單的講解一下！

1.使用結(jié)巴分詞

因?yàn)槲覀兿螺d的影評是一段一段的文字，而我們做的詞云是統(tǒng)計(jì)單詞出現(xiàn)的次數(shù)，所以需要先分詞！

2.使用詞云分析

最終成果：

從這些詞中我們可以知道這是關(guān)于一部關(guān)于追尋自我與現(xiàn)實(shí)生活的電影，豬哥裂墻推薦?。?！

七、總結(jié)

今天我們以爬取豆瓣為例子，學(xué)到了不少的東西，來總結(jié)一下：

1. 學(xué)習(xí)如何使用requests庫發(fā)起POST請求
2. 學(xué)習(xí)了如何使用requests庫登錄網(wǎng)站
3. 學(xué)習(xí)了如何使用requests庫的Session對象保持會話狀態(tài)
4. 學(xué)習(xí)了如何使用正則表達(dá)式提取網(wǎng)頁標(biāo)簽中的內(nèi)容

鑒于篇幅有限，爬蟲過程中遇到的很多細(xì)節(jié)和技巧并沒有完全寫出來，所以希望大家能自己動手實(shí)踐

源碼地址：https://github.com/pig6/douban_comments_spider

到此這篇關(guān)于詳解如何用Python登錄豆瓣并爬取影評的文章就介紹到這了,更多相關(guān)Python爬取影評內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！