Python登录豆瓣并爬取影评

Cookie是为了交互式web而诞生的，它主要用于以下三个方面：

1. 会话状态管理（如用户登录状态、购物车、游戏分数或其它需要记录的信息）

2. 个性化设置（如用户自定义设置、主题等）

3. 浏览器行为跟踪（如跟踪分析用户行为等）

我们今天就用requests库来登录豆瓣然后爬取影评为例子，

用代码讲解下Cookie的 会话状态管理（登录）功能 。

此教程仅用于学习，不得商业获利！如有侵害任何公司利益请及时联系！

一、需求背景

之前爬取了优酷的弹幕并生成词云图片，发现优酷弹幕的质量并不高，有很多介词和一些无效词，比如： 哈哈、啊啊、这些、那些。 。 。 而豆瓣口碑一直不错，有些书或者电影的推荐都很不错，所以我们今天来爬取下豆瓣的影评，然后生成词云，看看效果如何吧！

二、功能描述

我们使用requests库登录豆瓣，然后爬取影评，最后生成词云！

为什么我们之前的案例（京东、优酷等）中不需要登录，而今天爬取豆瓣需要登录呢？ 那是因为豆瓣在没有登录状态情况下只允许你查看前200条影评，之后就需要登录才能查看，这也算是一种反爬手段！

三、技术方案

我们看下简单的技术方案，大致可以分为三部分：

1. 分析豆瓣的登录接口并用requests库实现登录并保存cookie

2. 分析豆瓣影评接口实现批量抓取数据

3. 使用词云做影评数据分析

方案确定之后我们就开始实际操作吧！

四、登录豆瓣

做爬虫前我们都是先从浏览器开始，使用调试窗口查看url。

1.分析豆瓣登录接口

打开登录页面，然后调出调试窗口，输入用户名和密码，点击登录。

这里建议输入错误的密码，这样就不会因为页面跳转而捕捉不到请求！ 上面我们便获取到登录请求的URL：

https://accounts.douban.com/j/mobile/login/basic

因为是一个POST请求，所以我们还需要看看请求登录时携带的参数，我们将调试窗口往下拉查看 Form Data 。

2.代码实现登录豆瓣

得到登录请求URL和参数后，我们就可以来用requests库来写一个登录功能！

3.保存会话状态

我们如何让代码自动保存Cookie呢？

也许你见过或者使用过 urllib 库，它用来保存Cookie的方式如下：

cookie = http.cookiejar.CookieJar()

handler = urllib.request.HttpCookieProcessor(cookie)

opener = urllib.request.build_opener(handler)

opener(url)

但是前面我们介绍requests库的时候就说过：

requests库是一个基于urllib/3的第三方网络库，它的特点是功能强大，API优雅。 由上图我们可以看到，对于http客户端python官方文档也推荐我们使用requests库，实际工作中requests库也是使用的比较多的库。

所以今天我们来看看requests库是如何优雅的帮我们自动保存Cookie的？ 我们来对代码做一点微调，使之能自动保存Cookie维持会话状态！

上述代码中，我们做了两处改动：

1. 在最上面增加一行 s = requests.Session() ，生成Session对象用来保存Cookie

2. 发起请求不再是原来的requests对象，而是变成了Session对象

我们可以看到发起请求的对象变成了session对象，它和原来的requests对象发起请求方式一样，只不过它每次请求会自动带上Cookie，所以后面我们都用Session对象来发起请求！

4.这个Session对象是我们常说的session吗？

讲到这里也许有同学会问： requests.Session对象 是不是我们常说的 session 呢？

答案当然不是 ，我们常说的session是保存在服务端的，而requests.Session对象只是一个用于保存Cookie的对象而已，我们可以看看它的源码介绍

所以大家千万不要将requests.Session对象与session技术搞混了！

五、爬取影评

我们实现了登录和保存会话状态之后，就可以开始干正事啦！

1.分析豆瓣影评接口

首先在豆瓣中找到自己想要分析的电影，这里选择一部美国电影 《荒野生存》 。

然后下拉找到影评，调出调试窗口，找到加载影评的URL

2.爬取一条影评数据

但是爬取下来的是一个HTML网页数据，我们需要将影评数据提取出来

3.影评内容提取

上图中我们可以看到爬取返回的是html，而影评数据便是嵌套在html标签中，如何提取影评内容呢？

这里我们使用正则表达式来匹配想要的标签内容，当然也有更高级的提取方法，比如使用某些库（比如bs4、xpath等）去解析html提取内容，而且使用库效率也比较高，但这是我们后面的内容，我们今天就用正则来匹配！

我们先来分析下返回html 的网页结构

我们发现影评内容都是在 <span class="short"></span> 这个标签里，那我们 就可以写正则来匹配这个标签里的内容啦！

检查下提取的内容

4.批量爬取

我们爬取、提取、保存完一条数据之后，我们来批量爬取一下。 根据前面几次爬取的经验，我们知道批量爬取的关键在于找到分页参数，我们可以很快发现URL中有一个 start 参数便是控制分页的参数。

这里只爬取了25页就爬完，我们可以去浏览器中验证一下，是不是真的只有25页，验证后确实只有25页！

六、分析影评

数据抓取下来之后，我们就来使用词云分析一下这部电影吧！

基于使用词云分析的案例前面已经讲过两个了，所以猪哥只会简单的讲解一下！

1.使用结巴分词

因为我们下载的影评是一段一段的文字，而我们做的词云是统计单词出现的次数，所以需要先分词！

2.使用词云分析

最终成果：

从这些词中我们可以知道这是关于一部关于 追寻自我 与 现实生活 的电影。

七、总结

今天我们以爬取豆瓣为例子，学到了不少的东西，来总结一下：

1. 学习如何使用requests库发起POST请求

2. 学习了如何使用requests库登录网站

3. 学习了如何使用requests库的Session对象保持会话状态

4. 学习了如何使用正则表达式提取网页标签中的内容

▼ 点击成为 社区注册会员 「在看」 一下，一起PY！