網(wǎng)絡(luò)空間安全概論 實驗7網(wǎng)絡(luò)爬蟲 爬取TOP250電影

題目概述實驗題目：實驗七網(wǎng)絡(luò)爬蟲。實驗要求與目的：熟悉爬蟲工作原理，用相關(guān)的python工具包實現(xiàn)網(wǎng)絡(luò)爬蟲。實驗內(nèi)容：爬取TOP250電影的所有短評以及電影的相關(guān)數(shù)據(jù)。爬取TOP250豆瓣電影所有短評，以及電影的相關(guān)信息，包括電影類型，上映時間，以及演員列表等信息。開發(fā)平臺及開源工具本次信息檢索實驗使用的是python語言，開發(fā)工具為PyCharm2021.3，操作系統(tǒng)為Windows10和Ubuntu18.04服務(wù)器，第三方庫均使用pip安裝。本次實驗使用的第三方庫主要有selenium(自動登錄與信息爬取)、matplotlib(詞頻統(tǒng)計可視化)、numpy(矩陣處理)、jieba(分詞)等。詳細設(shè)計文件說明douban_movies.py主要就是構(gòu)造TOP250排行榜每一頁的鏈接，然后解析每一頁的電影名和電影頁鏈接，然后發(fā)出爬取電影頁信息的Request，之后利用xpath或者pyquery正常解析網(wǎng)頁信息即可。defstart_requests(self):

base_url='/top250?start=$&filter='

forstartinrange(10):

url=str.replace(base_url,'$',str(start*25))

(url)

yieldRequest(url,callback=self.parse_top250)

defparse_top250(self,response):

top250_movie_info_item=TOP250MovieInfoItem()

html=response.text

doc=pq(html)

all_movies=doc('#content>div>div.article>ol>li>div>')

formovieinall_movies.items():

sleep_time=random.uniform(0.5,1)

time.sleep(sleep_time)

movie_link=movie('div.hd>a').attr('href')

title=movie('div.hd>a>span.title').text()

top250_movie_info_item['title']=title

top250_movie_info_item['movie_link']=movie_link

(top250_movie_info_item)

yieldtop250_movie_info_item

#然后發(fā)出爬取每個movie的具體信息的request

(movie_link)

yieldRequest(movie_link,callback=self.parse_movie_item)pipeline.py#因為在process_item中會根據(jù)不同的Item進行不同的查詢防止爬取重復(fù)的信息，所以對不同的collection設(shè)置了不同的索引，畢竟最后爬取到的短評有33萬多條，設(shè)置一下索引對速度還是有提升的

defopen_spider(self,spider):

self.client=pymongo.MongoClient(self.mongo_uri)

self.db=self.client[self.mongo_db]

self.db[TOP250MovieInfoItem.collection].create_index([('movie_link',pymongo.ASCENDING)])

self.db[MovieInfoItem.collection].create_index([('movie_link',pymongo.ASCENDING)])

self.db[CommentInfoItem.collection].create_index([('commenter_link',pymongo.ASCENDING),('comment_page_link',pymongo.ASCENDING)])

self.db[CommenterInfoItem.collection].create_index([('commenter_link',pymongo.ASCENDING)])

#process_item主要是根據(jù)不同的Item進行查詢是否重復(fù)和插入

defprocess_item(self,item,spider):

ifisinstance(item,TOP250MovieInfoItem):

condition={'movie_link':item.get('movie_link')}

elifisinstance(item,MovieInfoItem):

condition={'comments_link':item.get('comments_link')}

elifisinstance(item,CommentInfoItem):

condition={'commenter_link':item.get('commenter_link'),

'comment_page_link':item.get('comment_page_link')}

elifisinstance(item,CommenterInfoItem):

condition={'commenter_link':item.get('commenter_link')}

result=self.db[item.collection].find_one(condition)

ifresultisNone:

self.db[item.collection].insert(dict(item))

returnitemmiddleware.pymiddleware中只使用了SeleniumMiddleware，其中大部分代碼是破解模擬登錄時破解滑動驗證碼，由于代碼比較多，破解滑動驗證碼的具體代碼請自行查看。defprocess_request(self,request,spider):

('PhantomJSisStarting')

try:

self.browser.get(request.url)

time.sleep(1)

html=self.browser.page_source

current_url=request.url

try:

need_login=self.browser.find_element_by_xpath('//*[@id="db-global-nav"]/div/div[1]/a')

('需要登錄')

login_link=need_login.get_attribute('href')

self.open(login_link)

ifself.password_error():

('用戶名或密碼錯誤')

#如果不需要驗證碼直接登錄成功

ifself.login_successfully():

('不需要驗證碼直接登錄成功')

#登陸成功以后跳回原來的頁面

self.browser.get(current_url)

else:

#需要驗證碼的情況下登錄

self.login_with_auth()

ifself.login_successfully():

('需要驗證碼的情況下登錄成功')

#登陸成功以后跳回原來的頁面

self.browser.get(current_url)

elifself.password_error():

('需要驗證碼的情況下登錄，用戶名或密碼錯誤')

else:

('需要驗證碼的情況下登錄，登錄失敗')

exceptNoSuchElementException:

('現(xiàn)在不需要登錄，所以找不到登錄元素')

#需要讓瀏覽器模擬隨機滑動頁面，模擬人的行為

random_scroll_nums=random.randint(0,1)

foriinrange(random_scroll_nums):

random_scroll_distance1=random.randint(200,5000)

js='varq=document.documentElement.scrollTop='+str(random_scroll_distance1)

self.browser.execute_script(js)

time.sleep(0.3)

random_scroll_distance2=random.randint(200,5000)

js='varq=document.documentElement.scrollTop='+str(random_scroll_distance2)

self.browser.execute_script(js)

time.sleep(0.3)

random_sleep=random.uniform(0.2,0.8)

time.sleep(random_sleep)

returnHtmlResponse(url=request.url,body=html,request=request,encoding='utf-8',

status=200)

exceptTimeoutException:

self.logger.error('self.browser.get(request.url)happenedTimeoutException')

returnHtmlResponse(url=request.url,status=500,request=request)

exceptException:

self.logger.error('self.browser.get(request.url)happenederror')

returnHtmlResponse(url=request.url,status=500,request=request)comments.py短評的爬取過程和電影信息爬取略有不同，因為在爬取短評大約40分鐘之后就會無法爬取，查看日志文件發(fā)現(xiàn)報錯全是Retry，估計是被檢測到異常暫時不允許訪問，所以寫一個shell腳本，每隔40分鐘啟動一次爬蟲，因為每次爬蟲都是爬取幾部電影的短評，所以在一個txt文件中寫一個接下來要爬取的電影index，一開始是0，每次爬蟲都會+10，所以經(jīng)過25次就能結(jié)束爬蟲，具體爬取的思路和電影信息的爬蟲差不多。defstart_requests(self):

#每次都要讀取這次要開始爬的電影的鏈接index

withopen('/home/zhiyong/data/next_link_num.txt','rt')asf:

#withopen('E:\PycharmProjects\some_data/next_link_num.txt','rt')asf:

next_link_index=f.read()

next_link_index=int(next_link_index)

#將后面開始讀的電影索引+10寫入文件

withopen('/home/zhiyong/data/next_link_num.txt','wt')asf:

#withopen('E:\PycharmProjects\some_data/next_link_num.txt','wt')asf:

new_next_link_index=next_link_index+10

f.write(str(new_next_link_index))

#后面可以加一個從數(shù)據(jù)庫中讀取已爬取的comment鏈接去重

movie_link_list=self.get_movie_link_list()

comment_page_link_list=self.get_comment_page_link_list()

forindexinrange(next_link_index,new_next_link_index):

ifindex>=250:

break

movie_link=movie_link_list[index]

time.sleep(3)

#分別爬取好評，中評，差評

choices=['h','m','l']

forchoiceinchoices:

#爬取每種評論之前先sleep一段時間

every_type_comments_sleep=random.randint(2,5)

time.sleep(every_type_comments_sleep)

comment_suffix='comments?start=$&limit=20&sort=new_score&status=P'

real_comments_link=movie_link+comment_suffix

ifchoice=='h':

real_comments_link=real_comments_link+'&percent_type=h'

elifchoice=='l':

real_comments_link=real_comments_link+'&percent_type=l'

else:

real_comments_link=real_comments_link+'&percent_type=m'

forstartinrange(25):

tmp_link=real_comments_link

request_comments_link=str.replace(tmp_link,'$',str(start*20))

ifrequest_comments_linknotincomment_page_link_list:

#然后可以爬取每個movie的短評信息

(request_comments_link)

yieldRequest(url=request_comments_link,callback=self.parse_comments)

else:

(request_comments_link)

('該鏈接已經(jīng)爬取過')commenters.py現(xiàn)階段爬取評論者的問題主要是速度太慢，畢竟一個網(wǎng)頁最多只有一個用戶的信息，再就是爬取時間過長也容易遇到Retry的問題，打算后面考慮一下有沒有什么彌補措施。defstart_requests(self):

commenter_link_list=self.get_commenter_link_list()

crawled_commenter_link_list=self.get_crawled_commenter_link_list()

forcommenter_linkincommenter_link_list:

ifcommenter_linknotincrawled_commenter_link_list:

crawled_commenter_link_list.append(commenter_link)

time.sleep(4)

(commenter_link)

yieldRequest(url=commenter_link,callback=self.parse_commenters)評論者信息爬取過程和前面其他爬蟲最大的不同就是解析網(wǎng)頁時一些異常情況的處理，比如賬號已注銷，賬號已被永久停用等...其他地方和前面的爬蟲大同小異。defparse_commenters(self,response):

commenter_info_item=CommenterInfoItem()

commenter_link=response.xpath('//*[@id="db-usr-profile"]/div[2]/ul/li[1]/a/@href').extract()

try:

commenter_link=commenter_link[0]

exceptIndexError:

#已經(jīng)注銷賬號的用戶會出錯

('該用戶已經(jīng)主動注銷帳號')

return

commenter_info_item['commenter_link']=commenter_link

location=response.xpath('//*[@id="profile"]/div/div[2]/div[1]/div/a/text()').extract()

iflocationisNone:

lcoation='未知'

else:

try:

location=location[0]

exceptIndexError:

lcoation='未知'

commenter_info_item['location']=location

register_timestamp=response.xpath('//*[@id="profile"]/div/div[2]/div[1]/div/div/text()[2]').extract()

try:

register_timestamp=register_timestamp[0]

#截取xxxx-xx-xx日期

result=re.findall('(.*)加入',register_timestamp)

register_timestamp=result[0]

register_timestamp=register_timestamp[0:10]

exceptIndexError:

#因為有的賬號根據(jù)log查看后發(fā)現(xiàn)是被永久停用的，沒法獲取注冊時間

register_timestamp=datetime.date.today()

commenter_info_item['register_timestamp']=register_timestamp

account_name=response.xpath('//*[@id="profile"]/div/div[2]/div[1]/div/div/text()[1]').extract()

try:

account_name=account_name[0]

account_name=str.strip(account_name)

commenter_info_item['account_name']=account_name[0]

exceptIndexError:

#這種情況是依據(jù)用戶管理細則，帳號已被永久停用。

('該依據(jù)用戶管理細則，帳號已被永久停用')

return

following_num=response.xpath('//*[@id="friend"]/h2/span/a/text()').extract()

try:

following_num=following_num[0]

#截取成員xxx中的數(shù)字

commenter_info_item['following_num']=following_num[2:]

exceptIndexError:

#如果沒有關(guān)注的人的話沒有用戶關(guān)注多少人，但會有被0人關(guān)注

following_num=0

follower_num=response.xpath('//*[@id="content"]/div/div[2]/p[1]/a/text()').extract()

follower_num=follower_num