爬虫目标

本文采用requests + Xpath，爬取豆瓣电影《黑豹》部分短评内容。话不多说，代码先上：

运行以上的爬虫脚本，我们得以见证奇迹

爬虫结果与原网页内容的对比，完全一致

工具准备

• chrome浏览器（分析HTTP请求、抓包）

• 安装Python 3及相关模块（requests、lxml、pandas、time、random、tqdm）

  requests：用来简单请求数据

  lxml：比Beautiful Soup更快更强的解析库

  pandas：数据处理神器

  time：设置爬虫访问间隔防止被抓

  random：随机数生成工具，配合time使用

  tqdm：交互好工具，显示程序运行进度

基本步骤

1. 网络请求分析

2. 网页内容解析

3. 数据读取存储

涉及知识点

• 爬虫协议

• http请求分析

• requests请求

• Xpath语法

• Python基础语法

• Pandas数据处理

爬虫协议

爬虫协议即网站根目录之下的robots.txt文件，用来告知爬虫者哪些可以拿哪些不能偷，其中Crawl-delay告知了网站期望的被访问的间隔。（为了对方服务器端同学的饭碗，文明拿数据，本文将爬虫访问间隔设置为6-9秒的随机数）

豆瓣网站的爬虫协议

HTTP请求分析

使用chrome浏览器访问《黑豹》短评页面https://movie.douban.com/subject/6390825/comments?sort=new_score&status=P，按下F12，进入network面板进行网络请求的分析，通过刷新网页重新获得请求，借助chrome浏览器对请求进行筛选、分析，找到那个Ta

豆瓣短评页面请求分析

通过请求分析，我们找到了目标url为

'https://movie.douban.com/subject/6390825/comments?start=0&limit=20&sort=new_score&status=P&percent_type='，并且每次翻页，参数start将往上增加20

（通过多次翻页尝试，我们发现第11页以后需要登录才能查看，且登录状态也仅展示前500条短评。作为简单demo，本文仅对前11页内容进行爬取）

requests请求

通过requests模块发送一个get请求，用content方法获取byte型数据，并以utf-8重新编码；然后添加一个交互，判断是否成功获取到资源（状态码为200），输出获取状态

请求详情分析

（除了content，还有text方法，其返回unicode字符集，直接使用text方法遇到中文的话容易出现乱码）

Xpath语法解析

获取到数据之后，需要对网页内容进行解析，常用的工具有正则表达式、Beautiful Soup、Xpath等等；其中Xpath又快又方便。此处我们通过Xpath解析资源获取到了前220条短评的用户名、短评分数、短评内容等数据。

（可借助chrome的强大功能直接复制Xpath，Xpath语法学习http://www.runoob.com/xpath/xpath-tutorial.html）

数据处理

获取到数据之后，我们通过list构造dictionary，然后通过dictionary构造dataframe，并通过pandas模块将数据输出为csv文件

结语与彩蛋

本例通过requests+Xpath的方案，成功爬取了电影《黑豹》的部分豆瓣短评数据，为文本分析或其他数据挖掘工作打好了数据地基。

本文作为demo，仅展示了简单的爬虫流程，更多彩蛋如请求头、请求体信息获取、cookie、模拟登录、分布式爬虫等请关注后期文章更新哟。

最后，送上白话文版的代码：

最后给大家分享下我们如何在交互式环境中执行Python程序

相信接触过Python的小伙伴们都知道运行Python脚本程序的方式有多种，目前主要的方式有：交互式环境运行、命令行窗口运行、开发工具上运行等，其中在不同的操作平台上还互不相同。今天，小编讲些Python基础的内容，以Windows下交互式环境为依托，演示Python程序的运行。

一般来说，顺利安装Python之后，有两种方式可以进入Python交互性环境。一种是在Python自带的IDLE中直接打开交互式窗口，如下图所示：

另一种是打开开始菜单，输入cmd之后，进入命令行窗口，之后输入Python，回车之后便可以进入到交互式环境中去，如下图所示：

在>>>提示符后边输入编程语句，然后回车进行执行，就会得到运行的结果。简单来看，这个交互式环境有点类似计算器，一次执行一条语句，而且还可以保存结果。下图是部分操作实例：

需要注意的是特殊变量“_”，它在Python交互式环境中的意思是前面运算的结果，一般在程序中使用其构造成新的表达式，在此基础上做进一步计算。在交互式环境中，我们可以直接使用常量，也可以定义变量，但是必须要事先先定义好变量，不然的就会出现命名错误，如例子中的最后一行代码中的a没有定义，所以报错了，但是length和width都没有报错，因为他有定义。

在Python交互式环境中，如果存在语法错误，程序在运行之后会报错，而且会得到错误信息，可以帮助我们很轻松的找到报错的行数和报错内容，只要我们对症下药就可以药到病除啦，bug分分钟解决掉~~

在交互式环境中，输入的代码不会被保存下来，当关闭Python得到运行窗口之后，之前输入的代码将不会被保存。但是在交互式环境中按下键盘中的上下键，可以寻找历史命令，但是它是短暂性的记忆，当退出程序之后，这些命令将不复存在。

如果你需要编写较长程序的时候，使用命令行就不太方便了。此时你可以利用文本编辑器进行编辑脚本。在IDLE中点击左上方的file，然后选择New window菜单，就可以新建一个窗口了，如下图所示：

在这里，你可以编写你的代码，但是务必要注意缩进，否则会经常出现indentation（缩进）错误，语句的缩进在Python中相当重要，因为不同的缩进反映了语句块的不同层次之间的关系。编写好的文件需要进行保存（Ctrl+s），之后以.py的拓展名进行保存。保存好之后，按下快捷键F5就可以运行程序了，之后在IDLE的窗口中便可以看到运行的结果。当然你也可以右键，然后点击run，就可以运行程序了。