Python自定义豆瓣电影种类,排行,点评的爬取与存储(初级)
来源:互联网 发布:xcode怎么编写python 编辑:程序博客网 时间:2024/06/03 07:02
Python 2.7
IDE Pycharm 5.0.3
Firefox 47.0.1
具体Selenium和PhantomJS配置及使用请看调用PhantomJS.exe自动续借图书馆书籍
网上一溜豆瓣TOP250---有意思么?
起因
就是想写个豆瓣电影的爬取,给我电影荒的同学。。。。当然自己也练手啦
目的
1.根据用户输入,列出豆瓣高分TOP(用户自定义)的电影,链接,及热评若干。
2.制作不需要Python环境可运行的exe,但由于bug未修复,需要火狐浏览器支持
方案
使用PhantomJS+Selenium+Firefox实现
实现过程
1.get到首页后,根据选择,点击种类,然后根据输入需求,进行排序
2.抓取每个电影及超链接,进入超链接后,抓取当前电影的热评及长评
3.当用户所要求TOP数目大于第一页的20个时候,点击加载更多,再出现20个电影,重复2操作。
以豆瓣高分,然后按评分排序的点击过程(其余操作一致,先种类后排序选择,再爬)
实现代码
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
- 91
- 92
- 93
- 94
- 95
- 96
- 97
- 98
- 99
- 100
- 101
- 102
- 103
- 104
- 105
- 106
- 107
- 108
- 109
- 110
- 111
- 112
- 113
- 114
- 115
- 116
- 117
- 118
- 119
- 120
- 121
- 122
- 123
- 124
- 125
- 126
- 127
- 128
- 129
- 130
- 131
- 132
- 133
- 134
- 135
- 136
- 137
- 138
- 139
- 140
- 141
- 142
- 143
- 144
- 145
- 146
- 147
- 148
- 149
- 150
- 151
- 152
- 153
- 154
- 155
- 156
- 157
- 158
- 159
- 160
- 161
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
- 91
- 92
- 93
- 94
- 95
- 96
- 97
- 98
- 99
- 100
- 101
- 102
- 103
- 104
- 105
- 106
- 107
- 108
- 109
- 110
- 111
- 112
- 113
- 114
- 115
- 116
- 117
- 118
- 119
- 120
- 121
- 122
- 123
- 124
- 125
- 126
- 127
- 128
- 129
- 130
- 131
- 132
- 133
- 134
- 135
- 136
- 137
- 138
- 139
- 140
- 141
- 142
- 143
- 144
- 145
- 146
- 147
- 148
- 149
- 150
- 151
- 152
- 153
- 154
- 155
- 156
- 157
- 158
- 159
- 160
- 161
上面的代码是可以实现的,但需要Firefox的配合,因为我其中一个引擎调用了Firefox,另一个抓评论的用了PhantomJS。
实现效果
这里直接上传打包成exe后的形式,如何打包exe请看将python打包成exe
存入的txt文件
因为打包成exe必须是中文的键入,所以没办法,我改成英文来着,不然会出现这种情况。。。
输出内容是没有问题的。。。。。。
问题及解决方案
1.使用PhantomJS和Firefox出现不同效果的问题,第21个回到起点。
1.解决方案,暂且我也没有找到,只有调用Firefox然后完事后再关闭,分析请见伪解决Selenium中调用PhantomJS无法模拟点击(click)操作
2.在对unicode输出在txt出现的问题,但是在print可以直接中文输出的。
2.解决方案:详见Python输出(print)内容写入txt中保存
Pay Attention
这里和上篇 伪解决Selenium中调用PhantomJS无法模拟点击(click)操作
这里解决的问题和昨天的Pay Attention是一样的,本来程序也是增强性补充而已,所以重复了。
1.元素无法定位问题
1.解决方案,首先查看是不是隐藏元素,其次再看自己的规则有没有写错,还有就是是不是页面加载未完成,详见解决网页元素无法定位(NoSuchElementException: Unable to locate element)的几种方法
2.只采集自己需要的数据,剔除无用数据,比如说,刚开始我用
- 1
- 1
然后写个取出list中元素的方法,但是这样的话,一个便签下内容未必太多,并不是我想要的如图:
比如说,我只想要红色的部分,那么,采取elements就不太好处理。
2.解决方案,我采用的方法是格式化字符串!这个方法我在Selenium+PhantomJS自动续借图书馆书籍(下)也用过,根据元素的特性,可以发现,每个热评的正文标签不一样的,其余标签一样,只要格式化正文标签即可,像这样
- 1
- 2
- 3
- 4
- 5
- 6
- 1
- 2
- 3
- 4
- 5
- 6
3.一个引擎干有个事!我现在没办法,只有将第一个需要处理的页面用Firefox来处理,之后评论用PhantomJS来抓取,之后可以用quit来关闭浏览器,但是启动浏览器还是会耗费好多资源,而且挺慢,虽然PhantomJS也很慢,我12G内存都跑完了。。。。。。看样子是给我买8x2 16G双通道的借口啊。
4.备注不标准也会导致程序出错,这个是我没想到的,我一直以为在”’备注”’之间的都可以随便来,结果影响程序运行了,之后分模块测试才注意到这个问题,也是以前没有遇到过的,切记!需要规范自己代码,特别是像Python这样缩进是灵魂的语言。。。。
5.补充,长评论的抓取
这是点击之后的图,可以看到元素定位也是不一样的,注意
最后
今天在知乎上回答了个问题,能帮助和吸引一些人过来学这门让人上瘾的语言感觉很有成就感啊,哈哈哈
希望能帮助更多的人,同时请不吝赐教!
PS
知乎关注我有毛用,还不如这里呢。感兴趣的可以下载exe文件,已打包上传资源
致谢
@MrLevo520–伪解决Selenium中调用PhantomJS无法模拟点击(click)操作
@MrLevo520–Python输出(print)内容写入txt中保存
@MrLevo520–解决网页元素无法定位(NoSuchElementException: Unable to locate element)的几种方法
@Eastmount–[Python爬虫] Selenium+Phantomjs动态获取CSDN下载资源信息和评论
@Eastmount–[Python爬虫] 在Windows下安装PIP+Phantomjs+Selenium
@MrLevo520–解决Selenium弹出新页面无法定位元素问题(Unable to locate element)
- 顶
- 1
- 踩
- Python自定义豆瓣电影种类,排行,点评的爬取与存储(初级)
- Python自定义豆瓣电影种类,排行,点评的爬取与存储(初级)
- Python自定义豆瓣电影种类,排行,点评的爬取与存储(进阶上)
- Python自定义豆瓣电影种类,排行,点评的爬取与存储(进阶下)
- Python自定义豆瓣电影种类,排行,点评的爬取与存储(高阶上)
- Python自定义豆瓣电影种类,排行,点评的爬取与存储(基础)
- Python自定义豆瓣电影种类,排行,点评的爬取与存储(进阶上)
- Python自定义豆瓣电影种类,排行,点评的爬取与存储(进阶下)
- Python爬取豆瓣电影
- Python爬取豆瓣电影
- Python爬取豆瓣电影
- 爬取豆瓣的电影
- python-scrapy 实现对豆瓣电影的爬取
- 使用python爬取豆瓣电影图片(-)
- Python 爬取豆瓣电影Top250(一)
- Python Scrapy(2)-爬取豆瓣电影详解
- Python爬取豆瓣电影top250
- python爬取豆瓣电影信息
- 深入理解Python中的基本数据类型
- 初识protobuf(java)
- ~数值的整数次方~
- 作业六
- CSS3 box-shadow div的阴影样式
- Python自定义豆瓣电影种类,排行,点评的爬取与存储(初级)
- Android 5.0 + IDA 6.8 调试经验分享
- Skia深入分析
- struts2环境问题总结
- &#X开头的文本,怎么转换为汉字
- Eclipse 反编译插件
- storm-[1]-Basics of Storm学习笔记
- 朴素贝叶斯文本分类
- Mike and Chocolate Thieves