往往不少童鞋寫論文苦于數(shù)據(jù)獲取艱難，輾轉(zhuǎn)走上爬蟲之路；

許多分析師做輿情監(jiān)控或者競(jìng)品分析的時(shí)候，也常常使用到爬蟲。

今天，本文將帶領(lǐng)小伙伴們通過(guò)12行簡(jiǎn)單的Python代碼，初窺爬蟲的秘境。

爬蟲目標(biāo)

本文采用requests + Xpath，爬取豆瓣電影《黑豹》部分短評(píng)內(nèi)容。

運(yùn)行以上的爬蟲腳本，我們得以見證奇跡

爬蟲結(jié)果與原網(wǎng)頁(yè)內(nèi)容的對(duì)比，完全一致

通過(guò)tqdm模塊實(shí)現(xiàn)了良好的交互

工具準(zhǔn)備

chrome瀏覽器（分析HTTP請(qǐng)求、抓包）

安裝Python 3及相關(guān)模塊（requests、lxml、pandas、time、random、tqdm）requests：用來(lái)簡(jiǎn)單請(qǐng)求數(shù)據(jù)lxml：比Beautiful Soup更快更強(qiáng)的解析庫(kù)pandas：數(shù)據(jù)處理神器time：設(shè)置爬蟲訪問(wèn)間隔防止被抓random：隨機(jī)數(shù)生成工具，配合time使用tqdm：交互好工具，顯示程序運(yùn)行進(jìn)度

基本步驟

網(wǎng)絡(luò)請(qǐng)求分析

網(wǎng)頁(yè)內(nèi)容解析

數(shù)據(jù)讀取存儲(chǔ)

涉及知識(shí)點(diǎn)

爬蟲協(xié)議

http請(qǐng)求分析

requests請(qǐng)求

Xpath語(yǔ)法

Python基礎(chǔ)語(yǔ)法

Pandas數(shù)據(jù)處理

爬蟲協(xié)議

爬蟲協(xié)議即網(wǎng)站根目錄之下的robots.txt文件，用來(lái)告知爬蟲者哪些可以拿哪些不能偷，其中Crawl-delay告知了網(wǎng)站期望的被訪問(wèn)的間隔。（為了對(duì)方服務(wù)器端同學(xué)的飯碗，文明拿數(shù)據(jù)，本文將爬蟲訪問(wèn)間隔設(shè)置為6-9秒的隨機(jī)數(shù)）

豆瓣網(wǎng)站的爬蟲協(xié)議

HTTP請(qǐng)求分析

使用chrome瀏覽器訪問(wèn)《黑豹》短評(píng)頁(yè)面https://movie.douban.com/subject/6390825/comments?sort=new_score&status=P，按下F12，進(jìn)入network面板進(jìn)行網(wǎng)絡(luò)請(qǐng)求的分析，通過(guò)刷新網(wǎng)頁(yè)重新獲得請(qǐng)求，借助chrome瀏覽器對(duì)請(qǐng)求進(jìn)行篩選、分析，找到那個(gè)Ta

豆瓣短評(píng)頁(yè)面請(qǐng)求分析

通過(guò)請(qǐng)求分析，我們找到了目標(biāo)url為'https://movie.douban.com/subject/6390825/comments?start=0&limit=20&sort=new_score&status=P&percent_type='，并且每次翻頁(yè)，參數(shù)start將往上增加20（通過(guò)多次翻頁(yè)嘗試，我們發(fā)現(xiàn)第11頁(yè)以后需要登錄才能查看，且登錄狀態(tài)也僅展示前500條短評(píng)。作為簡(jiǎn)單demo，本文僅對(duì)前11頁(yè)內(nèi)容進(jìn)行爬?。?/p>

requests請(qǐng)求

通過(guò)requests模塊發(fā)送一個(gè)get請(qǐng)求，用content方法獲取byte型數(shù)據(jù)，并以u(píng)tf-8重新編碼；然后添加一個(gè)交互，判斷是否成功獲取到資源（狀態(tài)碼為200），輸出獲取狀態(tài)

請(qǐng)求詳情分析

（除了content，還有text方法，其返回unicode字符集，直接使用text方法遇到中文的話容易出現(xiàn)亂碼）

Xpath語(yǔ)法解析

獲取到數(shù)據(jù)之后，需要對(duì)網(wǎng)頁(yè)內(nèi)容進(jìn)行解析，常用的工具有正則表達(dá)式、Beautiful Soup、Xpath等等；其中Xpath又快又方便。此處我們通過(guò)Xpath解析資源獲取到了前220條短評(píng)的用戶名、短評(píng)分?jǐn)?shù)、短評(píng)內(nèi)容等數(shù)據(jù)。（可借助chrome的強(qiáng)大功能直接復(fù)制Xpath，Xpath語(yǔ)法學(xué)習(xí)http://www.runoob.com/xpath/xpath-tutorial.html）

數(shù)據(jù)處理

獲取到數(shù)據(jù)之后，我們通過(guò)list構(gòu)造dictionary，然后通過(guò)dictionary構(gòu)造dataframe，并通過(guò)pandas模塊將數(shù)據(jù)輸出為csv文件

結(jié)語(yǔ)與彩蛋

本例通過(guò)requests+Xpath的方案，成功爬取了電影《黑豹》的部分豆瓣短評(píng)數(shù)據(jù)，為文本分析或其他數(shù)據(jù)挖掘工作打好了數(shù)據(jù)地基。本文作為demo，僅展示了簡(jiǎn)單的爬蟲流程，更多彩蛋如請(qǐng)求頭、請(qǐng)求體信息獲取、cookie、模擬登錄、分布式爬蟲等請(qǐng)關(guān)注后期文章更新喲。