在本次推送中，以猫眼电影 APP 中的电影评论作为爬取目标，完成对网页数据的采集。在采集完成后，我们将每个评论数据采集分用户名、评论时间、用户性别、用户等级、用户所在城地、用户评分、以及评论内容等，并将它们以 .xls 的文件格式进行保存。

《无双》电影

1 准备工作

在爬虫开始之前，请确保已经安装好了 requests 库、xlwt 库以及 json 库。如果没有安装，请使用 cmd 打开命令行界面，输入以下代码：

pip install requests
pip install xlwt
pip install json 

2 抓取分析

我们发现，在猫眼PC端的网页中，只存在最热门的10条评论数据，这显示是不够支撑我们进行后续的数据分析的。

猫眼PC端网页地址 https://maoyan.com/films/342166

猫眼电影《无双》共计31.9万人评分

因此，我们选择登录手机网页版本，即

猫眼移动端网页地址 http://m.maoyan.com/movie/342166/comments?v=yes

猫眼移动端网页

按下 F12 或者鼠标点击右键检查按钮，点击进入Network一栏。如下图所示：

分析网页代码

随后我们再次按下 F5 刷新按钮，有时需要按下 CTRL + F5组合键。便能够将页面再次刷新。寻找网站评论入口，如下图所示：

寻找网站评论入口

可以看到里面包含了 Request URL（请求地址）、Request Method（请求方式）、Status Code（状态码）等信息。再往下翻比较重要的信息就是 Host、Referer、User-Agent、以及X-Requested-With等信息。

这些信息获取之后，我们便可以开始今天的爬虫工作了。

3 爬取信息

首先，我们需要导入一些第三方库。具体如下：

import requests
import xlwt
import json

其中，requests 库是用来向服务器发送 GET 类型的请求，xlwt 库是用来操作 .xls 文件的，而我们的数据因为是 json 格式的数据，因此需要对它进行解析，这里便用到了 json 库。

3.1 设置请求头

一般情况下，为了避免触发反爬虫机制，需要完善一下请求头信息，这里我们把它作为一个独立的函数方便后续调用，具体如下：

def get_page(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36',
        'Cookie':'_lxsdk_cuid=1661ae34b39c8-0c8c15380422c-2711639-144000-1661ae34b39c8; v=3; __utma=17099173.21012536.1539393286.1539393286.1539393286.1; __utmc=17099173; __utmz=17099173.1539393286.1.1.utmcsr=google|utmccn=(organic)|utmcmd=organic|utmctr=(not%20provided); __utmb=17099173.2.9.1539393288643; uuid_n_v=v1; iuuid=B7EC5090CE8511E89675C9EEEAD92C526D3F6AA2E9344F5091F4218FA118AAEF; webp=true; ci=55%2C%E5%8D%97%E4%BA%AC; __mta=207950381.1538049396050.1539393287057.1539393443480.10; _lx_utm=utm_source%3Dgoogle%26utm_medium%3Dorganic; _lxsdk=B7EC5090CE8511E89675C9EEEAD92C526D3F6AA2E9344F5091F4218FA118AAEF; _lxsdk_s=1666af306c5-403-5fd-037%7C%7C45',
        'Host':'m.maoyan.com',
        'Referer':'http://m.maoyan.com/movie/342166/comments?_v_=yes',
        'X-Requested-With':'superagent'
    }
    return requests.get(url,headers = headers)

接下来我们便开始网页评论的爬取工作。

3.2 评论爬取与保存

在分析爬取的网址时，具体如下：

http://m.maoyan.com/mmdb/comments/movie/342166.json?_v_=yes&offset=0&startTime=0
http://m.maoyan.com/mmdb/comments/movie/342166.json?_v_=yes&offset=15&startTime=2018-10-15%2016%3A56%3A10
http://m.maoyan.com/mmdb/comments/movie/342166.json?_v_=yes&offset=30&startTime=2018-10-15%2016%3A56%3A10

我们发现，网页请求URL前面部分都是一致的，只有在 offset 的地方才发生改变，而后面的 startTime 便是你此刻获取最新评论的最后时间（这里的内容不是很重要，我们可以从任意时间获取评论）。最简单的做法就是我们直接更改 offset 位置的数字，从0,15,30，……一直加下去。

但是这个时候问题又出现了，采取这一方式只能获取当天的前1000条评论，怎么办？后来我又发现可以对 startTime 的时间进行修改。比如当前的日期是2018-10-15,只要电影上映后，任意的时间日期我都可以获取到数据。此时可以再加入一个对日期的循环。

这里的爬取网页 URL 的任务我们便完成了，接下来便是对数据的保存工作。我们选择 .xls 文件进行保存，因为第三方 xlwt 库只能对文件保存一次，后续的修改将会覆盖之间的内容。因此我们将文件的保存一并写入评论获取的函数中，方便操作。具体代码如下：

def get_comment():
    comment = [None] * 7
    file = 'Project_Gutenberg_comment.xls'
    # 创建一个Excel
    book = xlwt.Workbook()
    # 在其中创建一个名为'无双'的sheet
    sheet1 = book.add_sheet('无双', cell_overwrite_ok=True)  
    #设置需要保存的信息栏
    row0 = ['nickName', 'startTime', 'gender', 'userLevel', 'cityName', 'score', 'content']
    #将首行信息写入
    for l in range(len(row0)):
        sheet1.write(0, l, row0[l])
    
    #对时间进行循环，因为电影上映的时间是9月30号，我们选择从爬取的评论是从10月1号到10月15号（也就是今天）
    for day in range(1,16):
        print('正在爬取10月{}日的评论'.format(day))
        #每天只能爬取前1000条数据，每页15条，因此67次循环之后，便不再有数据可以爬取了
        for i in range(67):
            print('正在下载第{}页评论'.format(i + 1))
            r = get_page('http://m.maoyan.com/mmdb/comments/movie/1217402.json?_v_=yes&offset=' + str(
                i*15) + '&startTime=2018-10-{}%2023%3A59%3A59'.format(day))
            #判断网页状态码，正常则对数据进行爬取，否则直接退出循环
            if r.status_code == 200:                
                try:
                    soup = json.loads(r.text)['cmts']
                    j= 0
                    #保存数据
                    for cmt in soup:
                        j += 1
                        try:
                            comment[0] = cmt['nickName']
                            comment[1] = cmt['startTime']
                            if cmt.get('gender'):
                                comment[2] = cmt['gender']
                            else:
                                comment[2] = None
                            comment[3] = cmt['userLevel']
                            comment[4] = cmt['cityName']
                            comment[5] = cmt['score']
                            comment[6] = cmt['content']

                        except:
                            break
                        #写入数据
                        for k in range(len(comment)):
                            sheet1.write((day-1)*1005+(i*15+j), k, comment[k])
                except:
                    break
            else:
                break
    #保存文件
    book.save(file)  

3.3 启动程序

输入以下代码便能完成整个程序的运行：

if __name__ == '__main__':
    get_comment()
    print('爬取结束')

4 总结与展望

当最后程序完成后，会在根目录下显示 Project_Gutenberg_comment.xls 文件，这时便完成了数据采取工作。值得一提的是，无论是机器学习，还是数据分析，它们的基础便是数据，因此数据的获取至关重要。

这里我们只是简单的获取了猫眼电影移动端每天前1000条评论，并未完整的爬取某一天的全部评论，这一任务可以留作后续我们继续完成。

微信公众号：Python一号通
关注可了解更多的爬虫教程及机器学习内容。
问题或建议，请评论留言