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_completedfrom lxml import etree
import pymysql
import requestsfrom 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_idself.start = startself.type = typeself.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useragentdef _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HTMLdef _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 resdef _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csvdef 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()

转载于:https://www.cnblogs.com/PyKK2019/p/10828632.html

Python多线程豆瓣影评API接口爬虫相关推荐

  1. python实现简单的api接口-简单实现Python调用有道API接口(最新的)

    # ''' # Created on 2018-5-26 # # @author: yaoshuangqi # ''' import urllib.request import urllib.pars ...

  2. python实现简单的api接口-Python 实现接口测试的简单实例

    Hi~ 由于最近家里宝宝病了,我也在研究python的其他内容,很久没有来社区了,不过我还是一直关注社区的动态哟 好了,闲聊的话题就到此为止, 今天我给大家带来的,是python实现的接口自动化测试的 ...

  3. python实现简单的api接口-对Python实现简单的API接口实例讲解

    get方法 代码实现 # coding:utf-8 import json from urlparse import parse_qs from wsgiref.simple_server impor ...

  4. 用Python调用华为云API接口发短信

    [摘要] 用Python调用华为云API接口实现发短信,当然能给调用发短信接口前提条件是通过企业实名认证,而且有一个通过审核的短信签名,话不多说,showcode #!/usr/bin/python3 ...

  5. 简单python脚本实例-对Python实现简单的API接口实例讲解

    get方法 代码实现 # coding:utf-8 import json from urlparse import parse_qs from wsgiref.simple_server impor ...

  6. python使用百度云API接口图片卡通化

    python使用百度云API接口图片卡通化: import requests import base64class AnimeDemo:def __init__(self,AK,SK):self.AK ...

  7. python翻页爬豆瓣影评_荐爬虫7_《隐秘的角落》豆瓣影评爬取及可视化分析

    本文源码:百度云 提取码 pra2 影评爬取 豆瓣网有限制,各种类型的评论只可以爬取220条,所以我爬取了好评.一般.差评各220条,共计630条.爬取维度为评论类型.点赞数.评分.发布日期.评论. ...

  8. python实现简单的api接口-python中接口的实现实例

    接口基础知识: 简单说下接口测试,现在常用的2种接口就是http api和rpc协议的接口,今天主要说:http api接口是走http协议通过路径来区分调用的方法,请求报文格式都是key-value ...

  9. 树莓派+python flask 调用天气api接口实现天气数据web

    *注:树莓派我用的是在Win10上面的虚拟机镜像 * 文章目录 前言 一.flask是什么? 二.使用步骤 1.引入库 2.写一个简单的flask 3.实验准备 4.实验开始 5.结尾调试 总结 前言 ...

最新文章

  1. oracle procedures批量删除带索引条件数据很慢_见微知著,数据库应用设计优化浅谈...
  2. 《IP路由协议疑难解析》一1.3 动态路由
  3. cad一键标注闭合区域lisp_自从用了这个CAD神器,我下班总比别人早
  4. 读研打比赛领奖金免费旅游,国内算法竞赛平台了解一下
  5. 计算机应用的重要性作文,关于科技的重要性作文(通用5篇)
  6. (89)FPGA三分频设计,面试必问(十三)(第18天)
  7. linux文件系统扩容操作步骤,仅供参考
  8. C#中执行Dos命令
  9. linux与Windows查看路由
  10. C++中regex库静态正则表达式库的好处及事例
  11. MySql触发器以及实例
  12. 办公室常用计算机常识,这10个办公必备的电脑小技巧,让你事半功倍
  13. Java删除服务器上的文件
  14. 英文简历模板计算机专业,2016年计算机专业英文简历模板
  15. 十年程序人生——转自黎活明
  16. BLE蓝牙的配对过程浅析
  17. EasyExcel模板数据填充
  18. php 抓取网页图片
  19. spyder替换_Spyder简单使用
  20. C语言实现三子棋?五子棋?不,是n子棋

热门文章

  1. python抠透明图_python利用蒙版抠图(使用PIL.Image和cv2)输出透明背景图
  2. loadrunner录制事件为0_Oracle数据库性能监控|LoadRunner 中配置监控Oracle
  3. css unchecked,详细介绍CSS中的伪选择器
  4. scrapy如何指定生成python3的项目_新手学习scrapy的坑(都是泪)
  5. mysql 分表索引_mysql中,分表查询和索引查询哪个更快?
  6. mysql查询网址_bootstrap+flask+mysql实现网站查询
  7. 2003文件服务器迁移2016,服务器2016设置文件共享
  8. 给 Flutter 界面切换来点特效
  9. WIX(20121031) 应用设置默认变量
  10. Xcode debug时如何查看内存中的数据