這篇文章主要介紹“如何用Python登錄豆瓣并爬取影評”，在日常操作中，相信很多人在如何用Python登錄豆瓣并爬取影評問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”如何用Python登錄豆瓣并爬取影評”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！
一、需求背景
二、功能描述
三、技術方案
四、登錄豆瓣
1.分析豆瓣登錄接口
2.代碼實現登錄豆瓣
3.保存會話狀態
4.這個Session對象是我們常說的session嗎？
五、爬取影評
1.分析豆瓣影評接口
2.爬取一條影評數據
3.影評內容提取
4.批量爬取
六、分析影評
1.使用結巴分詞
七、總結
上一篇我們講過Cookie相關的知識，了解到Cookie是為了交互式web而誕生的，它主要用于以下三個方面：
會話狀態管理（如用戶登錄狀態、購物車、游戲分數或其它需要記錄的信息）
個性化設置（如用戶自定義設置、主題等）
瀏覽器行為跟蹤（如跟蹤分析用戶行為等）
我們今天就用requests庫來登錄豆瓣然后爬取影評為例子，用代碼講解下Cookie的會話狀態管理（登錄）功能。
豆瓣口碑一直不錯，有些書或者電影的推薦都很不錯，所以我們今天來爬取下豆瓣的影評，然后生成詞云，看看效果如何吧！
我們使用requests庫登錄豆瓣，然后爬取影評，最后生成詞云！
為什么我們之前的案例（京東、優酷等）中不需要登錄，而今天爬取豆瓣需要登錄呢？那是因為豆瓣在沒有登錄狀態情況下只允許你查看前200條影評，之后就需要登錄才能查看，這也算是一種反扒手段！
我們看下簡單的技術方案，大致可以分為三部分：
分析豆瓣的登錄接口并用requests庫實現登錄并保存cookie
分析豆瓣影評接口實現批量抓取數據
使用詞云做影評數據分析
方案確定之后我們就開始實際操作吧！
做爬蟲前我們都是先從瀏覽器開始，使用調試窗口查看url。
打開登錄頁面，然后調出調試窗口，輸入用戶名和密碼，點擊登錄。
這里豬哥建議輸入錯誤的密碼，這樣就不會因為頁面跳轉而捕捉不到請求！上面我們便獲取到登錄請求的URL：https://accounts.douban.com/j/mobile/login/basic
因為是一個POST請求，所以我們還需要看看請求登錄時攜帶的參數，我們將調試窗口往下拉查看Form Data。
得到登錄請求URL和參數后，我們就可以來用requests庫來寫一個登錄功能！
上期我們在爬取優酷彈幕的時候我們是復制瀏覽器中的Cookie到請求頭中這來來保存會話狀態，但是我們如何讓代碼自動保存Cookie呢？
也許你見過或者使用過urllib庫，它用來保存Cookie的方式如下：
cookie = http.cookiejar.CookieJar() handler = urllib.request.HttpCookieProcessor(cookie) opener = urllib.request.build_opener(handler) opener(url)
但是前面我們介紹requests庫的時候就說過：
requests庫是一個基于urllib/3的第三方網絡庫，它的特點是功能強大，API優雅。由上圖我們可以看到，對于http客戶端python官方文檔也推薦我們使用requests庫，實際工作中requests庫也是使用的比較多的庫。
所以今天我們來看看requests庫是如何優雅的幫我們自動保存Cookie的？我們來對代碼做一點微調，使之能自動保存Cookie維持會話狀態！
上述代碼中，我們做了兩處改動：
在最上面增加一行s = requests.Session()，生成Session對象用來保存Cookie
發起請求不再是原來的requests對象，而是變成了Session對象
我們可以看到發起請求的對象變成了session對象，它和原來的requests對象發起請求方式一樣，只不過它每次請求會自動帶上Cookie，所以后面我們都用Session對象來發起請求！
講到這里也許有同學會問：requests.Session對象是不是我們常說的session呢？
答案當然不是，我們常說的session是保存在服務端的，而requests.Session對象只是一個用于保存Cookie的對象而已，我們可以看看它的源碼介紹
所以大家千萬不要將requests.Session對象與session技術搞混了！
我們實現了登錄和保存會話狀態之后，就可以開始干正事啦！
首先在豆瓣中找到自己想要分析的電影，這里選擇一部美國電影《荒野生存》
然后下拉找到影評，調出調試窗口，找到加載影評的URL
但是爬取下來的是一個HTML網頁數據，我們需要將影評數據提取出來
上圖中我們可以看到爬取返回的是html，而影評數據便是嵌套在html標簽中，如何提取影評內容呢？
這里我們使用正則表達式來匹配想要的標簽內容，當然也有更高級的提取方法，比如使用某些庫（比如bs4、xpath等）去解析html提取內容，而且使用庫效率也比較高，但這是我們后面的內容，我們今天就用正則來匹配！
我們先來分析下返回html 的網頁結構
我們發現影評內容都是在<span class="short"></span>這個標簽里，那我們 就可以寫正則來匹配這個標簽里的內容啦！
檢查下提取的內容
我們爬取、提取、保存完一條數據之后，我們來批量爬取一下。根據前面幾次爬取的經驗，我們知道批量爬取的關鍵在于找到分頁參數，我們可以很快發現URL中有一個start參數便是控制分頁的參數。
這里只爬取了25頁就爬完，我們可以去瀏覽器中驗證一下，是不是真的只有25頁，豬哥驗證過確實只有25頁！
數據抓取下來之后，我們就來使用詞云分析一下這部電影吧！
1.使用結巴分詞
因為我們下載的影評是一段一段的文字，而我們做的詞云是統計單詞出現的次數，所以需要先分詞！
最終成果：
七、總結
今天我們以爬取豆瓣為例子，學到了不少的東西，來總結一下：
學習如何使用requests庫發起POST請求
學習了如何使用requests庫登錄網站
學習了如何使用requests庫的Session對象保持會話狀態
學習了如何使用正則表達式提取網頁標簽中的內容
鑒于篇幅有限，爬蟲過程中遇到的很多細節和技巧并沒有完全寫出來，所以希望大家能自己動手實踐
到此，關于“如何用Python登錄豆瓣并爬取影評”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
