《复仇者联盟4：终局之战》已经上映快三个星期了，全球票房破24亿美元，国内票房破40亿人民币。
虽然现在热度逐渐下降，但是我们还是恬不知耻地来蹭一蹭热度。上映伊始《复联4》的豆瓣评分曾破了9分。
后来持续走低，现在《复联4》的评分稳定在8.6分。虽然豆瓣日常被人吐槽注水严重，恶意评分很多，但是由于它好爬鸭~，我们还是选择豆瓣作为爬取对象。豆瓣的长评论有文字和图片等其它元素，简单起见，这次只爬短评。
在浏览器中查看豆瓣关于复联4的短评，先来看看url的结构：
https://movie.douban.com/subject/26100958/comments?start=20&limit=20&sort=new_score&status=P
可见，我们可以通过修改start的值进入不同的页面：
右键查看源代码可以看到浏览器获取到的html页面代码。Ctrl F搜索第一条影评的关键词，快速定位到影评的标签：
可以看到影评内容在span标签中，class为“short”。
总览一下爬取内容的步骤：
1) 访问url，获取html页面文本，这一步我们要用到的是requests模块。
2) 解析返回的文本，提取出爬虫内容，这一步要用的是beautifulSoup模块。
这两个模块都可以通过pip直接下载。
首先是main函数：
def main(): discuss = [] a = 0 for i in range(0,100,20): url = 'https://movie.douban.com/subject/26100958/comments?start='+ str(i) +'&limit=20&sort=new_score&status=P' HTMLpage = getHTML(url) #print(HTMLpage) for t in parseHTML(HTMLpage): discuss.append(t) for i in discuss: print(str(a) + ':' + i) # print(i) a = a + 1
由于豆瓣一页显示20条影评，我们爬前100条，所以这里访问了前5个页面:
def getHTML(url): try: r = requests.get(url) r.raise_for_status() print("get html successfully") r.encoding = 'utf-8' #print(r.text) return r.text except: return ""
在getHTML函数中，我们申请访问目标页面，并返回html页面文本。注意这里应该将编码方式设置为utf-8，实测如果设置成r.encoding = r.apparent_encoding，程序并不能猜测到正确的编码方式。
当r.raise_for_status() 没有抛出异常时，程序通知我们获取html成功。如果有异常，返回空字符串。
下一步是解析：
如前所述影评是class为short的span，所以可以直接使用bs4的find_all()函数得到一个含有所有影评的tag的列表。我们只需要把tag中的文字提取出来就可以返回到主函数了。
首先要生成一个beautifulSoup类的对象，使用html的解析器。html页面是树状分布的，可以通过各种树的遍历找到我们需要的标签，这里bs4提供了一个简单粗暴的find_all，可以直接使用。
find_all()函数返回的是一个保存着tag的列表。
def parseHTML(html): try: soup = BeautifulSoup(html,"html.parser") A = soup.find_all('span',attrs = {'class':'short'}) B = [] for i in A: B.append(i.get_text()) return B except: return []
用get_text函数去掉span标签，只留下内容的文本，加入到B列表里。然后就可以返回了。同理，如果出错了，返回空列表。
好了以上就是一个非常简单的小爬虫，通过修改爬取的数量可以爬取任意页面的评论。当然了后续还会对这些数据进行一些有趣的分析，请关注我们。同时因为作者本人能力有限，本系列可能又要无限托更了/呲牙
下附完整版代码和运行结果【代码下载移步留言区】：
import requests from bs4 import BeautifulSoup def getHTML(url): try: r = requests.get(url) r.raise_for_status() print("get html successfully") r.encoding = 'utf-8' #print(r.text) return r.text except: return "" def parseHTML(html): try: soup = BeautifulSoup(html,"html.parser") A = soup.find_all('span',attrs = {'class':'short'}) B = [] for i in A: B.append(i.get_text()) return B except: return [] def main(): discuss = [] a = 0 for i in range(0,100,20): url = 'https://movie.douban.com/subject/26100958/comments?start='+ str(i) +'&limit=20&sort=new_score&status=P' HTMLpage = getHTML(url) #print(HTMLpage) for t in parseHTML(HTMLpage): discuss.append(t) for i in discuss: print(str(a) + ':' + i) # print(i) a = a + 1 if __name__ == "__main__": main()
运行结果：
