Python多线程豆瓣影评API接口爬虫
程序员文章站
2022-07-02 16:24:03
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 ......
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()
上一篇: nginx配置及内核优化详解