• Python多线程豆瓣影评API接口爬虫


    爬虫库

    使用简单的requests库,这是一个阻塞的库,速度比较慢。
    解析使用XPATH表达式
    总体采用类的形式

    多线程

    使用concurrent.future并发模块,建立线程池,把future对象扔进去执行即可实现并发爬取效果

    数据存储

    使用Python ORM sqlalchemy保存到数据库,也可以使用自带的csv模块存在CSV中。

    API接口

    因为API接口存在数据保护情况,一个电影的每一个分类只能抓取前25页,全部评论、好评、中评、差评所有分类能爬100页,每页有20个数据,即最多为两千条数据。

    因为时效性原因,不保证代码能爬到数据,只是给大家一个参考思路,上代码

    from datetime import datetime
    import random
    import csv
    from concurrent.futures import ThreadPoolExecutor, as_completed
    
    from lxml import etree
    import pymysql
    import requests
    
    from models import create_session, Comments
    
    #随机UA
    USERAGENT = [
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36',
        'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0',
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
        'Opera/9.80 (Windows NT 6.1; U; zh-cn) Presto/2.9.168 Version/11.50',
        'Mozilla/5.0 (Windows; U; Windows NT 6.1; ) AppleWebKit/534.12 (KHTML, like Gecko) Maxthon/3.0 Safari/534.12'
    ]
    
    
    class CommentFetcher:
        headers = {'User-Agent': ''}
        cookie = ''
        cookies = {'cookie': cookie}
        # cookie为登录后的cookie,需要自行复制
        base_node = '//div[@class="comment-item"]'
    
    
        def __init__(self, movie_id, start, type=''):
            '''
            :type: 全部评论:'', 好评:h 中评:m 差评:l
            :movie_id: 影片的ID号
            :start: 开始的记录数,0-480
            '''
            self.movie_id = movie_id
            self.start = start
            self.type = type
            self.url = 'https://movie.douban.com/subject/{id}/comments?start={start}&limit=20&sort=new_score&status=P&percent_type={type}&comments_only=1'.format(
                id=str(self.movie_id),
                start=str(self.start),
                type=self.type
            )
            #创建数据库连接
            self.session = create_session()
    
        #随机useragent
        def _random_UA(self):
            self.headers['User-Agent'] = random.choice(USERAGENT)
    
    
        #获取api接口,使用get方法,返回的数据为json数据,需要提取里面的HTML
        def _get(self):
            self._random_UA()
            res = ''
            try:
                res = requests.get(self.url, cookies=self.cookies, headers=self.headers)
                res = res.json()['html']
            except Exception as e:
                print('IP被封,请使用代理IP')
            print('正在获取{} 开始的记录'.format(self.start))
            return res
    
        def _parse(self):
            res = self._get()
            dom = etree.HTML(res)
    
            #id号
            self.id = dom.xpath(self.base_node + '/@data-cid')
            #用户名
            self.username = dom.xpath(self.base_node + '/div[@class="avatar"]/a/@title')
            #用户连接
            self.user_center = dom.xpath(self.base_node + '/div[@class="avatar"]/a/@href')
            #点赞数
            self.vote = dom.xpath(self.base_node + '//span[@class="votes"]/text()')
            #星级
            self.star = dom.xpath(self.base_node + '//span[contains(@class,"rating")]/@title')
            #发表时间
            self.time = dom.xpath(self.base_node + '//span[@class="comment-time "]/@title')
            #评论内容 所有span标签class名为short的节点文本
            self.content = dom.xpath(self.base_node + '//span[@class="short"]/text()')
    
        #保存到数据库
        def save_to_database(self):
            self._parse()
            for i in range(len(self.id)):
                try:
                    comment = Comments(
                        id=int(self.id[i]),
                        username=self.username[i],
                        user_center=self.user_center[i],
                        vote=int(self.vote[i]),
                        star=self.star[i],
                        time=datetime.strptime(self.time[i], '%Y-%m-%d %H:%M:%S'),
                        content=self.content[i]
                    )
    
                    self.session.add(comment)
                    self.session.commit()
                    return 'finish'
    
    
                except pymysql.err.IntegrityError as e:
                    print('数据重复,不做任何处理')
    
                except Exception as e:
                    #数据添加错误,回滚
                    self.session.rollback()
    
                finally:
                    #关闭数据库连接
                    self.session.close()
    
        #保存到csv
        def save_to_csv(self):
            self._parse()
            f = open('comment.csv', 'w', encoding='utf-8')
            csv_in = csv.writer(f, dialect='excel')
            for i in range(len(self.id)):
                csv_in.writerow([
                    int(self.id[i]),
                    self.username[i],
                    self.user_center[i],
                    int(self.vote[i]),
                    self.time[i],
                    self.content[i]
                ])
            f.close()
    
    
    if __name__ == '__main__':
        with ThreadPoolExecutor(max_workers=4) as executor:
            futures = []
            for i in ['', 'h', 'm', 'l']:
                for j in range(25):
                    fetcher = CommentFetcher(movie_id=26266893, start=j * 20, type=i)
                    futures.append(executor.submit(fetcher.save_to_csv))
    
            for f in as_completed(futures):
                try:
                    res = f.done()
                    if res:
                        ret_data = f.result()
                        if ret_data == 'finish':
                            print('{} 成功保存数据'.format(str(f)))
                except Exception as e:
                    f.cancel()
    
  • 相关阅读:
    从大量的IP访问记录中找到访问次数最多的IP
    打赏功能的实现
    MFC通过ODBC连接Mysql程序
    VC++中使用MFC通过ADO连接数据库
    MySQL 5.1参考手册
    MFC ADO mysql 经验总结一
    VC连接MySQL
    VC连接MySQL
    MFC使用ADO对象开发数据库应用程序
    MFC中用Ado连接数据库
  • 原文地址:https://www.cnblogs.com/PyKK2019/p/10828632.html
Copyright © 2020-2023  润新知