目的：

1.根據(jù)用戶輸入，列出豆瓣高分TOP（用戶自定義）的電影，鏈接，及熱評若干

方案：

使用PhantomJS+Selenium+Firefox實現(xiàn)

實現(xiàn)過程：

1.get到首頁后，根據(jù)選擇，點擊種類，然后根據(jù)輸入需求，進行排序
2.抓取每個電影及超鏈接，進入超鏈接后，抓取當前電影的熱評及長評
3.當用戶所要求TOP數(shù)據(jù)大于第一頁的20個時候，點擊加載更多，再出現(xiàn)20個電影，重復2操作

以豆瓣發(fā)哦分，然后按評分排序的點擊過程（其余操作一致，先種類后排序選擇，再爬）

image

實現(xiàn)代碼：

# -*- coding: utf-8 -*-
#Author:哈士奇說喵
#爬豆瓣高分電影及hot影評

from selenium import webdriver
import selenium.webdriver.support.ui as ui
import time


print "---------------system loading...please wait...---------------"
SUMRESOURCES = 0 #全局變量
driver_detail = webdriver.PhantomJS(executable_path="phantomjs.exe")
#driver_item=webdriver.PhantomJS(executable_path="phantomjs.exe")
driver_item=webdriver.Firefox()
url="https://movie.douban.com/"
#等待頁面加載方法
wait = ui.WebDriverWait(driver_item,15)
wait1 = ui.WebDriverWait(driver_detail,15)


#獲取URL和文章標題

def getURL_Title():
    global SUMRESOURCES

##############################################################################
#需要鍵入想要獲取的信息，比如種類，排序方式，想看多少內容
##############################################################################

    print "please select:"
    kind=input("1-Hot\n2-Newest\n3-Classics\n4-Playable\n5-High Scores\n6-Wonderful but not popular\n7-Chinese film\n8-Hollywood\n9-Korea\n10-Japan\n11-Action movies\n12-Comedy\n13-Love story\n14-Science fiction\n15-Thriller\n16-Horror film\n17-Cartoon\nplease select:")
    print "--------------------------------------------------------------------------"
    sort=input("1-Sort by hot\n2-Sort by time\n3-Sort by score\nplease select:")
    print "--------------------------------------------------------------------------"
    number = input("TOP ?:")
    print "--------------------------------------------------------------------------"
    ask_long=input("don't need long-comments,enter 0,i like long-comments enter 1:")
    print "--------------------------------------------------------------------------"
    global save_name
    save_name=raw_input("save_name (xx.txt):")
    print "---------------------crawling...---------------------"

    driver_item.get(url)

##############################################################################
#進行網(wǎng)頁get后，先進行電影種類選擇的模擬點擊操作，然后再是排序方式的選擇
#最后等待一會，元素都加載完了，才能開始爬電影，不然元素隱藏起來，不能被獲取
#wait.until是等待元素加載完成！
##############################################################################

    wait.until(lambda driver: driver.find_element_by_xpath("http://div[@class='fliter-wp']/div/form/div/div/label[%s]"%kind))
    driver_item.find_element_by_xpath("http://div[@class='fliter-wp']/div/form/div/div/label[%s]"%kind).click()
    wait.until(lambda driver: driver.find_element_by_xpath("http://div[@class='fliter-wp']/div/form/div[3]/div/label[%s]"%sort))
    driver_item.find_element_by_xpath("http://div[@class='fliter-wp']/div/form/div[3]/div/label[%s]"%sort).click()

    num=number+1#比如輸入想看的TOP22，那需要+1在進行操作，細節(jié)問題
    time.sleep(2)

    #打開幾次“加載更多”
    num_time = num/20+1
    wait.until(lambda driver: driver.find_element_by_xpath("http://div[@class='list-wp']/a[@class='more']"))

    for times in range(1,num_time):
        time.sleep(1)
        driver_item.find_element_by_xpath("http://div[@class='list-wp']/a[@class='more']").click()
        time.sleep(1)
        wait.until(lambda driver: driver.find_element_by_xpath("http://div[@class='list']/a[%d]"%num))
        #print '點擊\'加載更多\'一次'

    #使用wait.until使元素全部加載好能定位之后再操作，相當于try/except再套個while把

    for i in range(1,num):
        wait.until(lambda driver: driver.find_element_by_xpath("http://div[@class='list']/a[%d]"%num))
        list_title=driver_item.find_element_by_xpath("http://div[@class='list']/a[%d]"%i)
        print '----------------------------------------------'+'NO' + str(SUMRESOURCES +1)+'----------------------------------------------'
        print u'電影名: ' + list_title.text
        print u'鏈接: ' + list_title.get_attribute('href')
        #print unicode碼自動轉換為utf-8的


        #寫入txt中部分1
        list_title_wr=list_title.text.encode('utf-8')#unicode碼，需要重新編碼再寫入txt
        list_title_url_wr=list_title.get_attribute('href')

        Write_txt('\n----------------------------------------------'+'NO' + str(SUMRESOURCES +1)+'----------------------------------------------','',save_name)
        Write_txt(list_title_wr,list_title_url_wr,save_name)

        SUMRESOURCES = SUMRESOURCES +1

        try:#獲取具體內容和評論。href是每個超鏈接也就是資源單獨的url
            getDetails(str(list_title.get_attribute('href')),ask_long)
        except:
            print 'can not get the details!'


##############################################################################
#當選擇一部電影后，進入這部電影的超鏈接，然后才能獲取
#同時別忽視元素加載的問題
#在加載長評論的時候，注意模擬點擊一次小三角，不然可能會使內容隱藏
##############################################################################
def getDetails(url,ask_long):

    driver_detail.get(url)
    wait1.until(lambda driver: driver.find_element_by_xpath("http://div[@id='link-report']/span"))
    drama = driver_detail.find_element_by_xpath("http://div[@id='link-report']/span")
    print u"劇情簡介："+drama.text
    drama_wr=drama.text.encode('utf-8')
    Write_txt(drama_wr,'',save_name)
    print "--------------------------------------------Hot comments TOP----------------------------------------------"
    for i in range(1,5):#四個短評
        try:
            comments_hot = driver_detail.find_element_by_xpath("http://div[@id='hot-comments']/div[%s]/div/p"%i)
            print u"最新熱評："+comments_hot.text
            comments_hot_wr=comments_hot.text.encode('utf-8')
            Write_txt("--------------------------------------------Hot comments TOP%d----------------------------------------------"%i,'',save_name)
            Write_txt(comments_hot_wr,'',save_name)
        except:
            print 'can not caught the comments!'


    #加載長評
    if ask_long==1:
        try:
            driver_detail.find_element_by_xpath("http://img[@class='bn-arrow']").click()
            #wait.until(lambda driver: driver.find_element_by_xpath("http://div[@class='review-bd']/div[2]/div/div"))
            time.sleep(1)
            #解決加載長評會提示劇透問題導致無法加載
            comments_get = driver_detail.find_element_by_xpath("http://div[@class='review-bd']/div[2]/div")
            if comments_get.text.encode('utf-8')=='提示: 這篇影評可能有劇透':
                comments_deep=driver_detail.find_element_by_xpath("http://div[@class='review-bd']/div[2]/div[2]")
            else:
                comments_deep = comments_get
            print "--------------------------------------------long-comments---------------------------------------------"
            print u"深度長評："+comments_deep.text
            comments_deep_wr=comments_deep.text.encode('utf-8')
            Write_txt("--------------------------------------------long-comments---------------------------------------------\n",'',save_name)
            Write_txt(comments_deep_wr,'',save_name)
        except:
            print 'can not caught the deep_comments!'


##############################################################################
#將print輸出的寫入txt中查看，也可以在cmd中查看，換行符是為了美觀
##############################################################################
def Write_txt(text1='',text2='',title='douban.txt'):

        with open(title,"a") as f:
            for i in text1:
                f.write(i)
            f.write("\n")
            for j in text2:
                f.write(j)
            f.write("\n")

def main():

    getURL_Title()
    driver_item.quit()

main()

另一個評論用了PhantomJS

實現(xiàn)效果

致謝

@mrlevo520-Python自定義豆瓣電影種類，排行，點評的爬取與存儲（初級）