利用Python爬取豆瓣影评_python影评

利用Python爬取豆瓣影评

一、查找短评存放的标签

二、爬取影片短评具体代码

# _*_ coding:UTF-8 _*_
import os
import requests
import time
from bs4 import BeautifulSoup
import sys
import  re                           ##正则表达式
import urllib.request
import io

os.chdir(r'D:\python')

################################################################爬取《寄生虫》电影短评
def get_urls(urls , num):
    req = urllib.request.urlopen(urls)
    html = BeautifulSoup(req , features='html.parser')              ##若前面为requests.get()函数则需要改为req.text

    for i in range(0,20):
        #print(i + num*20)
        Review = html.find_all('span', class_='short')[i].text
        Review = (str(bytes(Review, encoding='utf-8').decode('utf-8').encode('gbk', 'ignore').decode('gbk')))
        ##str不具有decode属性，必须先将其转换为bytes，转化为bytes要制定其编码，然后将其utf8解码然后再编码成gbk，
        # 同时备注‘ignore’属性，忽视无法编码的emoji，最后解码然后转换成str，便可输出到txt
        print(Review)


#将输出重定向到txt文件
output=sys.stdout                                       ## 创建定向输出程序
outputfile=open("寄生虫短评.txt",'w',encoding='utf-8')       ## 创建文件夹
sys.stdout=outputfile                                   ## 定向输出txt文件

k=0
while k <= 10:
    urls = 'https://movie.douban.com/subject/27010768/comments?start=' + str(k*20) + '&limit=20&sort=new_score&status=P'
    get_urls(urls , k)
    time.sleep(2)
    k += 1

outputfile.close()
sys.stdout=output


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