爬虫综合大作业

本次作业要求来自于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/3159

一.把爬取的内容用数据库保存

1.保存到sqlite3数据库

# 用pandas读出之前保存的数据：
newsdf = pd.read_csv(r'D:gzccnews.csv')

# 创建保存newsdf到表gzccnews
import sqlite3
with sqlite3.connect('gzccnewsdb.sqlite') as db:
    newsdf.to_sql('gzccnews',con=db)

# 查询读出保存到sqlite3数据库的内容df2
with sqlite3.connect('gzccnewsdb.sqlite') as db:
    df2 = pd.read_sql_query('select * from gzccnews',con=db)
df2

运行示例：

2.保存到MySQL数据库：

# 安装需要用到的类包
!pip install PyMySQL
!pip install sqlalchemy 

# 导入类包连接MySQL数据库（gzcc_news）
import pymysql
from sqlalchemy import create_engine
coninfo = "mysql+pymysql://root:@localhost:3306/gzcc_news?charset=utf8"
engine = create_engine(coninfo,encoding="utf-8")
# 把newsdf数据保存到gzcc_news数据库新建表news上
newsdf.to_sql(name='news',con=engine,if_exists='append',index= False,index_label='id')

运行示例：

二.爬虫综合大作业

1. 选择一个热点或者你感兴趣的主题。
2. 选择爬取的对象与范围。
3. 了解爬取对象的限制与约束。
4. 爬取相应内容。
5. 做数据分析与文本分析。
6. 形成一篇文章，有说明、技术要点、有数据、有数据分析图形化展示与说明、文本分析图形化展示与说明。
7. 文章公开发布。

缘由

想了很久，不知道自己感兴趣的是什么，然后就爬了下社会热点话题和自己工作相关的东西。但最后限于技术不行，参考网上成功案例还是报错找不出哪里，ip也被封了几次。最后还是倒回来爬取影评。

《无问西东》这部电影对我触动很大，五一假期进行了三刷，其中有一幕记忆深刻：

吴岭澜“ 最好的学生都是学实科的。我只知道，这个年纪最重要的就是学习，何用管我学什么。每天把自己交给书本，心里就觉得踏实。”

梅贻琦答他：“ 你还忽略了一件事，真实。人把自己置身于忙碌当中，有一种麻木的踏实，但丧失了真实。”“ 真实就是，你看什么，做什么，和谁在一起，有一种从心灵深处满溢出来的不懊悔、也不羞耻的平和与喜悦。”

让我久久不能忘怀，有所共鸣又有所困惑。所以想着借此爬取广大网友的观点做一次分析，多看看别人看这部电影的想法感受，跳出自我，去寻找那么迷茫和拿不定主意什么才适合自己的方向。

爬取范围

用python爬取用户名、短评内容、观看情况、评分推荐、评论时间、赞同该评论次数解读《无问西东》

# 导入需要用到的类包
import requests
from bs4 import BeautifulSoup
import time
import random
import pandas as pd

uas = [
    'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36',
    'Mozilla / 5.0(Linux;Android 6.0;  Nexus 5 Build / MRA58N) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 73.0 .3683.103Mobile  Safari / 537.36',
    'Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10'
    'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.96 Safari/537.36'
]
# 随机选取用户代理
def get_ua():
    au = random.choice(uas)
    return au

# 抓取解析网页
def get_soup(url):
    # 伪装浏览器发送请求
    headers = {
        'User-Agent': get_ua(),
        'Host': 'movie.douban.com',
        'Connection': 'keep-alive',
        'Cookie': 'll="118281"; bid=PDfyRYzWZUA; __utmz=30149280.1557146179.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); '
                  'gr_user_id=64e50650-eaac-439c-bf07-4845beda01f4; _vwo_uuid_v2=DCC7E0177B98EF36F009D20E376BAFAF0|af1541df8cba612ae9400c9868c99729; viewed="1291199";'
                  ' __yadk_uid=NZF4B0V65mFYDKwVEtBIqD7IzCfqBuCo; trc_cookie_storage=taboola%2520global%253Auser-id%3D1b6006bb-7d65-4a3d-9ef8-0bd85ef174e3-tuct363a7b2;'
                  ' __gads=ID=aa3da2d975e4bc28:T=1557291874:S=ALNI_Mb5dM0i_lKo5qiVEALC5SbsE4zAeg;'
                  ' __utmz=223695111.1557291909.3.2.utmcsr=douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/search; _'
                  'pk_ref.100001.4cf6=%5B%22%22%2C%22%22%2C1557365604%2C%22https%3A%2F%2Fwww.douban.com%2Fsearch%3Fq%3D%25E6%2597%25A0%25E9%2597%25AE%25E8%25A5%25BF%25E4%25B8%259C%22%5D;'
                  ' _pk_ses.100001.4cf6=*; __utma=30149280.574526707.1557146179.1557305660.1557365604.7; __utmc=30149280; __utma=223695111.1592700349.1557228376.1557305660.1557365604.6;'
                  ' __utmc=223695111; ap_v=0,6.0; __utmb=30149280.4.9.1557368405684; dbcl2="196202536:5ThcQT2Qzr0";'
                  ' ck=EL1Z; push_noty_num=0; push_doumail_num=0; ct=y; __utmt=1; _pk_id.100001.4cf6=627ae57bc2f4ade6.1557228376.6.1557369194.1557306413.; __utmb=223695111.19.10.1557365604'
               }
    res = requests.get(url, headers=headers)
    time.sleep(random.random()*5) #设置时间间隔，防止太快被封
    res.encoding='utf-8'
    soup = BeautifulSoup(res.text,'html.parser')
    return soup


# 获取一页用户的评论
def getText(soup):
    comment_list = []
    for p in soup.select('.comment-item'):
        comment = {}
        username = p.select('.comment-info')[0]('a')[0].text
        watch = p.select('.comment-info')[0]('span')[0].text
        intro = p.select('.comment-info')[0]('span')[1]['title']
        cTime = p.select('.comment-time ')[0]['title']
        pNum = p.select('.votes')[0].text
        short = p.select('.short')[0].text
        text=short.replace('
', ' ')
        comment['用户名']=username
        comment['观看情况']=watch
        comment['评分推荐']=intro
        comment['评论时间']=cTime
        comment['短评内容']=text
        comment['赞同该评论次数']=pNum
        comment_list.append(comment)
    return comment_list

url = 'https://movie.douban.com/subject/6874741/comments?start={}&limit=20&sort=new_score&status=P'
comments = []
for i in range(1,50):
    soup = get_soup(url.format(i * 20)) # 每一页20条评论需乘20来拼凑网页
    comments.extend(getText(soup))
    time.sleep(random.random() * 5)
# # 测试爬出所有影评的概况
# for n in comments:
#     print(n)

# 保存到本地csv文件
commentFile = pd.DataFrame(comments)
commentFile.to_csv(r'D://comments1.csv', encoding='utf_8_sig')

爬取后的部分数据：

数据处理

# 从文件读取待分析文本
with open(r'D:\comments_analyse.txt', 'r', encoding='utf-8') as f:
    text = f.read()

# 使用jieba进行中文分词
import jieba
textCut = jieba.lcut(text)

# 排除语法型词汇，代词、冠词、连词等停用词
with open(r'D:\学习\stops_chinese.txt', 'r', encoding='utf-8') as f:
    stops = f.read().split('
')
tokens = [token for token in textCut if token not in stops]

# 将文本转化为集合
words_set = set(tokens)
# 存入字典
words_dict = {}
for w in words_set:
    words_dict[w] = tokens.count(w)
# 字典转换成列表对词语进行词频排序
words_sort = list(words_dict.items())
words_sort.sort(key=lambda x: x[1], reverse=True)
# print(words_sort)
# for w in words_sort:
#     print(w)

import pandas as pd
pd.DataFrame(data=words_sort).to_csv(r'D:\学习\无问西东影评.csv',encoding='utf_8_sig')

词频统计：

  

 词云：

# 插入空格把词语分开
wl_split=' '.join(tokens)
# 调用generate()方法生成词云
from wordcloud import WordCloud
mywc = WordCloud().generate(wl_split)
# 显示词云
import matplotlib.pyplot as plt
plt.imshow(mywc)
plt.axis("off")
plt.show()

总结

 不知道哪里出了问题，只爬取到大概300条左右的一小部分数据，感觉没有分析跟豆瓣总结出的结论没有什么太大的差异，所以只能算做是一个小练习并没有太大的参考价值，以后还需更加努力学习。最后，总结下电影，嗯，想法各有不同，评论偏向中肯，戒骄戒躁，脚踏实地，才能仰望星空。