此处输入图片的描述

思路分析

豆瓣地址分析https://movie.douban.com/explore#!type=movie&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start=0

1.https://movie.douban.com/explore#!type=movie固定
2.变量有tag-标，对应豆瓣的热门、最新等
3.sort排序，['recommend', 'time', 'rank'] # 分别对应热度/时间/评价
4.page_limit 每页多少条 ，page_start 第几页

抓取实施

• 得到要抓取的原始url

    def get_url(self, tag, sort, page_limit, page_start):
    """获取开始抓取数据的baseUrl"""
    return self.baseUrl + "&tag=%s&sort=%s&page_limit=%s&page_start=%s" % (tag, sort, page_limit,page_start)
  

• 循环标签开始抓取,我这里只是按热度排序,获取第一页20条数据

    def on_start(self):
    for tg in self.tags:
        url = self.get_url(tg, self.sorts[0], self.page_limit, self.page_start)
        self.crawl(url, callback=self.index_page, headers=self.heard, fetch_type='js', validate_cert=False)
  

• 保存封面和简介

  使用urllib对url进行转码：
  url = urllib.request.unquote(response.url)
  按照标签建立文件夹把对应的20条数据保存到指定文件夹下

    info = response.doc('#info').text()
    path = str(url).split('?tag=')[1].split('&from=')[0]
    self.util.save_file(path + "/" + title, '简介.txt', info)
    self.util.save_img(path + "/" + title, '封面.png', img)
  

• 抓取每部电影的前20条评论保存到本地

  评论的地址https://movie.douban.com/subject/26617393/reviews?start=0
  https://movie.douban.com/subject/26617393这个地址可以通过截取url（# 'https://movie.douban.com/subject/1292052/?tag=%E7%BB%8F%E5%85%B8&from=gaia_video'）拿到然后拼接上后缀就可以抓取评论了
  评论的地址:final_url = url.split('?tag=')[0] + "reviews" + "?start=%s" % self.review

• 保存评论到本地:

    def detail_page(self, response):
    time.sleep(0.5)
    self.review += 20
    path = response.save['path']
    title = response.doc('h1').text()
    authors = [x.text() for x in response.doc('.author').items()]
    contents = [x.text() for x in response.doc('.short-content').items()]
    i = 0
    with open(DIR + "/" + path + "/" + '评论.txt', 'ab')as f:
        f.write(str("\t\t\t\t\t\t\t" + title + "\n").encode('utf-8'))
        for content in contents:
            author = authors[i]
            s = author + ":\t" + content + "\n"
            f.write(s.encode('utf-8'))
            i += 1
    return {
        'title': title,
        'author': authors,
        'content': contents,
    }
  

• 注意事项

  抓取过快会被豆瓣识别为机器人,此时会让你输入验证码
  建议没抓取一条数据休眠一会,time.sleep(0.5)

• 效果预览

爬取过过程

爬取效果

最后下载地址：pyspider_doubanMovie