Python多線程豆瓣影評API介面爬蟲

来源:https://www.cnblogs.com/PyKK2019/archive/2019/05/07/10828632.html
-Advertisement-
Play Games

爬蟲庫 使用簡單的requests庫,這是一個阻塞的庫,速度比較慢。 解析使用XPATH表達式 總體採用類的形式 多線程 使用concurrent.future併發模塊,建立線程池,把future對象扔進去執行即可實現併發爬取效果 數據存儲 使用Python ORM sqlalchemy保存到資料庫 ...


爬蟲庫

使用簡單的requests庫,這是一個阻塞的庫,速度比較慢。
解析使用XPATH表達式
總體採用類的形式

多線程

使用concurrent.future併發模塊,建立線程池,把future對象扔進去執行即可實現併發爬取效果

數據存儲

使用Python ORM sqlalchemy保存到資料庫,也可以使用自帶的csv模塊存在CSV中。

API介面

因為API介面存在數據保護情況,一個電影的每一個分類只能抓取前25頁,全部評論、好評、中評、差評所有分類能爬100頁,每頁有20個數據,即最多為兩千條數據。

因為時效性原因,不保證代碼能爬到數據,只是給大家一個參考思路,上代碼

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

#隨機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為登錄後的cookie,需要自行複製
    base_node = '//div[@class="comment-item"]'


    def __init__(self, movie_id, start, type=''):
        '''
        :type: 全部評論:'', 好評:h 中評:m 差評:l
        :movie_id: 影片的ID號
        :start: 開始的記錄數,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
        )
        #創建資料庫連接
        self.session = create_session()

    #隨機useragent
    def _random_UA(self):
        self.headers['User-Agent'] = random.choice(USERAGENT)


    #獲取api介面,使用get方法,返回的數據為json數據,需要提取裡面的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,請使用代理IP')
        print('正在獲取{} 開始的記錄'.format(self.start))
        return res

    def _parse(self):
        res = self._get()
        dom = etree.HTML(res)

        #id號
        self.id = dom.xpath(self.base_node + '/@data-cid')
        #用戶名
        self.username = dom.xpath(self.base_node + '/div[@class="avatar"]/a/@title')
        #用戶連接
        self.user_center = dom.xpath(self.base_node + '/div[@class="avatar"]/a/@href')
        #點贊數
        self.vote = dom.xpath(self.base_node + '//span[@class="votes"]/text()')
        #星級
        self.star = dom.xpath(self.base_node + '//span[contains(@class,"rating")]/@title')
        #發表時間
        self.time = dom.xpath(self.base_node + '//span[@class="comment-time "]/@title')
        #評論內容 所有span標簽class名為short的節點文本
        self.content = dom.xpath(self.base_node + '//span[@class="short"]/text()')

    #保存到資料庫
    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('數據重覆,不做任何處理')

            except Exception as e:
                #數據添加錯誤,回滾
                self.session.rollback()

            finally:
                #關閉資料庫連接
                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('{} 成功保存數據'.format(str(f)))
            except Exception as e:
                f.cancel()

您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 編程語言集成了發佈訂閱 很多編程語言框架里都提供了發佈訂閱的組件,或者叫事件處理機制,而spring框架對這個功能也有支持,主要使用 實現訂閱,使用 使用發佈。這種系統集成的我們先叫它“集成組件” 與語言無關的消息隊列 事實上,發佈訂閱真的與開發語言沒有什麼關係,所以出現了另一種產品,消息中間件,或 ...
  • 首先會看懂UML UML類圖與類的關係詳解 虛線箭頭指向依賴;實線箭頭指向關聯;虛線三角指向介面;實線三角指向父類;空心菱形能分離而獨立存在,是聚合;實心菱形精密關聯不可分,是組合; 上面是UML的語法。在畫類圖的時候,理清類和類之間的關係是重點。類的關係有泛化(Generalization)、實現 ...
  • 前言 前幾天,在食堂吃飯,本來每天中午的新聞三十分換成了視頻監控。我們已經習慣了,前十分鐘看著領導都很忙,中間十分鐘中國人民都很幸福,後十分鐘別的國家都生活在水深火熱里,順便跟同事談談國家大事。突然主角換成了我們自己,便毫無抬頭的欲望。 恰巧最近也有在接觸大屏監控的解決方案,於是乎,就索性拿樹莓派實 ...
  • 所屬網站分類: 資源下載 > python電子書 作者:today 鏈接:http://www.pythonheidong.com/blog/article/448/ 來源:python黑洞網 內容簡介 本書是對以數據深度需求為中心的科學、研究以及針對計算和統計方法的參考書。本書共五章,每章介紹一到 ...
  • 今天整理一下自己的基礎篇輸入和輸出的理解,自己沒有研究系統輸入和輸出函數,以後有時間在去深究,之前在別人的博客裡面看到這麼一句話分享給大家,“學習就是一個不斷抄襲,模仿,練習和創新的一個過程”。 使用VC2015 1.創建項目,【文件】》【新建】》【項目】 2.項目類型為【Win32控制台應用程式】 ...
  • 01 內容大綱 1. 基礎數據類型的補充 2. 數據類型之間的轉換 3. 編碼的進階 02 具體內容: 數據類型的補充: str 元組 列表 字典 數據類型的轉換 int bool str 三者轉換 str list 兩者轉換 list set 兩者轉換 str bytes 兩者轉換 所有數據都可以 ...
  • 快速排序c++實現 快排C++ 第一、演算法描述 快速排序由C. A. R. Hoare在1962年提出,該演算法是目前實踐中使用最頻繁,實用高效的最好排序演算法, 快速排序演算法是採用分治思想的演算法,演算法分三個步驟 ...
  • 你知道幾種實例化一個類的方式? new?反射?還有呢? 美麗的分割線 筆者總結了一下大概有以下六種方式: (1)通過構造方法實例化一個類; (2)通過Class實例化一個類; (3)通過反射實例化一個類; (4)通過克隆實例化一個類; (5)通過反序列化實例化一個類; (6)通過Unsafe實例化一 ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發(一):使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說,近來想嘗試開發一款安卓APP,考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP,畢竟是使用Visual Studio開發工具,使用起來也比較的順手,結合微軟官方的教程進行了安卓 ...
  • 前言 QuestPDF 是一個開源 .NET 庫,用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫,它徹底改變了我們生成 PDF 文檔的方 ...
  • 項目地址 項目後端地址: https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址: ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址: http://tree ...
  • 話不多說,直接開乾 一.下載 1.官方鏈接下載: https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe,運行開始下載SQL server; 二. ...
  • 前言 隨著物聯網(IoT)技術的迅猛發展,MQTT(消息隊列遙測傳輸)協議憑藉其輕量級和高效性,已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫,為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog支持多種接收器用於日誌存儲,增強器用於添加屬性,LogContext管理動態屬性,支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項,適用於不同需求。 ...
  • 目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據,爬取信息時需要模擬瀏覽器行為,否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下: 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • 1.前言 什麼是熱更新 游戲或者軟體更新時,無需重新下載客戶端進行安裝,而是在應用程式啟動的情況下,在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR,Xlua,ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles,Addressable, ...
  • 本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺,其實像阿裡雲,騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後,它會送 ...
  • 通過以下方式可以高效,並保證數據同步的可靠性 1.API設計 使用RESTful設計,確保API端點明確,並使用適當的HTTP方法(如POST用於創建,PUT用於更新)。 設計清晰的請求和響應模型,以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證,確保接收到的數據符合預期格 ...