【Java豆瓣电影爬虫】——抓取电影详情和电影短评数据 -

一直想做个这样的爬虫：定制自己的种子，爬取想要的数据，做点力所能及的小分析。正好，这段时间宝宝出生，一边陪宝宝和宝妈，一边把自己做的这个豆瓣电影爬虫的数据采集部分跑起来。现在做一个概要的介绍和演示。

动机

采集豆瓣电影数据包括电影详情页数据和电影的短评数据。

电影详情页如下图所示

需要保存这些详情字段如导演、编剧、演员等还有图中右下方的标签。

短评页面如下图所示

需要保存的字段有短评所属的电影名称，每条评论的详细信息如评论人名称、评论内容等。

数据库设计

有了如上的需求，需要设计表，其实很简单，只需要一张电影详情表movie和一张电影短评表comments，另外还需要一张存储网页提取的超链接的记录表record。

movie表

movieId：主键，自增长
Name：电影名
Director：导演
Scenarist：编剧
Actors：主演
Type：类型
Country：制片国家/地区
Language：语言
releaseData：上映日期
Runtime：片长
ratingNum：豆瓣评分
Tags：标签

comments表

commentId：主键，自增长
commentInfo：评论内容
commentAuthor：评论者
commentAuthorImgUrl：评论者头像链接
commentVote：评论点赞数
commentForMovie：评论的电影名
recordId：链接record表，暂时未用到

record表

recordId：主键，自增长
URL：爬取解析的超链接
Crawled：是否被爬过

注意：数据库设计是在不断调整的，比如之前设计了一张tags表，用于存储每部电影的标签，经过调整发现直接放到movie中作为一个字段更加方便，又比如comments表中，commentForMovie是后来加上的，方便查找当前的评论针对哪部电影。

使用的技术

语言：Java（语言是一门工具，网上用python,java,nodejs比较多）

数据库：Mysql（轻便易用）

解析页面：Jsoup（比较熟悉httpparser，虽然功能强大，但是稍显繁琐，这里用Jsoup，因为其为类javascript语法）、正则表达式（对于一些结构比较奇怪的dom结构，采用了正则表达式的方式来提取信息，其实也可以用xpath，但是xpath极易受dom结构变化而失效）

比如对于网页源码如下

<!DOCTYPE html>
<html lang="zh-cmn-Hans" class="ua-windows ua-webkit">
<head><meta http-equiv="Content-Type" content="text/html; charset=utf-8"><meta name="renderer" content="webkit"><meta name="referrer" content="always"><title>肖申克的救赎 (豆瓣)
</title>.....<meta name="keywords" content="肖申克的救赎,The Shawshank Redemption,肖申克的救赎影评,剧情介绍,电影图片,预告片,影讯,在线购票,论坛,肖申克的救赎在线观看,肖申克的救赎高清,肖申克的救赎在线播放"><meta name="description" content="肖申克的救赎电影简介和剧情介绍,肖申克的救赎影评、图片、预告片、影讯、论坛、在线购票、肖申克的救赎在线观看、高清、在线播放">.........                   <div id="info"><span ><span class='pl'>导演</span>: <span class='attrs'><a href="/celebrity/1047973/" rel="v:directedBy">弗兰克·德拉邦特</a></span></span><br/><span ><span class='pl'>编剧</span>: <span class='attrs'><a href="/celebrity/1047973/">弗兰克·德拉邦特</a> / <a href="/celebrity/1049547/">斯蒂芬·金</a></span></span><br/><span class="actor"><span class='pl'>主演</span>: <span class='attrs'><a href="/celebrity/1054521/" rel="v:starring">蒂姆·罗宾斯</a> / <a href="/celebrity/1054534/" rel="v:starring">摩根·弗里曼</a> / <a href="/celebrity/1041179/" rel="v:starring">鲍勃·冈顿</a> / <a href="/celebrity/1000095/" rel="v:starring">威廉姆·赛德勒</a> / <a href="/celebrity/1013817/" rel="v:starring">克兰西·布朗</a> / <a href="/celebrity/1010612/" rel="v:starring">吉尔·贝罗斯</a> / <a href="/celebrity/1054892/" rel="v:starring">马克·罗斯顿</a> / <a href="/celebrity/1027897/" rel="v:starring">詹姆斯·惠特摩</a> / <a href="/celebrity/1087302/" rel="v:starring">杰弗里·德曼</a> / <a href="/celebrity/1074035/" rel="v:starring">拉里·布兰登伯格</a> / <a href="/celebrity/1099030/" rel="v:starring">尼尔·吉恩托利</a> / <a href="/celebrity/1343305/" rel="v:starring">布赖恩·利比</a> / <a href="/celebrity/1048222/" rel="v:starring">大卫·普罗瓦尔</a> / <a href="/celebrity/1343306/" rel="v:starring">约瑟夫·劳格诺</a> / <a href="/celebrity/1315528/" rel="v:starring">祖德·塞克利拉</a></span></span><br/><span class="pl">类型:</span> <span property="v:genre">剧情</span> / <span property="v:genre">犯罪</span><br/><span class="pl">制片国家/地区:</span> 美国<br/><span class="pl">语言:</span> 英语<br/><span class="pl">上映日期:</span> <span property="v:initialReleaseDate" content="1994-09-10(多伦多电影节)">1994-09-10(多伦多电影节)</span> / <span property="v:initialReleaseDate" content="1994-10-14(美国)">1994-10-14(美国)</span><br/><span class="pl">片长:</span> <span property="v:runtime" content="142">142 分钟</span><br/><span class="pl">又名:</span> 月黑高飞(港) / 刺激1995(台) / 地狱诺言 / 铁窗岁月 / 消香克的救赎<br/><span class="pl">IMDb链接:</span> <a href="http://www.imdb.com/title/tt0111161" target="\_blank" rel="nofollow">tt0111161</a><br></div></div><div id="interest\_sectl"><div class="rating\_wrap clearbox" rel="v:rating"><div class="rating\_logo">豆瓣评分</div><div class="rating\_self clearfix" typeof="v:Rating"><strong class="ll rating\_num" property="v:average">9.6</strong><span property="v:best" content="10.0"></span><div class="rating\_right "><div class="ll bigstar50"></div><div class="rating\_sum"><a href="collections" class="rating\_people"><span property="v:votes">740373</span>人评价</a></div></div></div><span class="stars5 starstop" title="力荐">5星 </span><div class="power" style="width:64px"></div><span class="rating\_per">81.5%</span><br /><span class="stars4 starstop" title="推荐">4星 </span><div class="power" style="width:12px"></div><span class="rating\_per">16.2%</span><br /><span class="stars3 starstop" title="还行">3星 </span><div class="power" style="width:1px"></div><span class="rating\_per">2.1%</span><br /><span class="stars2 starstop" title="较差">2星 </span><div class="power" style="width:0px"></div><span class="rating\_per">0.1%</span><br /><span class="stars1 starstop" title="很差">1星 </span><div class="power" style="width:0px"></div><span class="rating\_per">0.1%</span><br /></div><div class="rating\_betterthan">好于 <a href="/typerank?type\_name=剧情&type=11&interval\_id=100:90&action=">99% 剧情片</a><br/>好于 <a href="/typerank?type\_name=犯罪&type=3&interval\_id=100:90&action=">99% 犯罪片</a><br/></div>
</div></div>.........<!-- sindar19a-docker--><script>\_SPLITTEST=''</script>
</body></html>

可以通过如下代码来解析相应字段（其中有用Jsoup和正则表达式的）

for (Element info : infos) {if (info.childNodeSize() > 0) {String key = info.getElementsByAttributeValue("class", "pl").text();if ("导演".equals(key)) {movie.setDirector(info.getElementsByAttributeValue("class", "attrs").text());} else if ("编剧".equals(key)) {movie.setScenarist(info.getElementsByAttributeValue("class", "attrs").text());} else if ("主演".equals(key)) {movie.setActors(info.getElementsByAttributeValue("class", "attrs").text());} else if ("类型:".equals(key)) {movie.setType(doc.getElementsByAttributeValue("property", "v:genre").text());} else if ("制片国家/地区:".equals(key)) {Pattern patternCountry = Pattern.compile(".制片国家/地区:</span>.+\[\\\\u4e00-\\\\u9fa5\]+.+\[\\\\u4e00-\\\\u9fa5\]+\\\\s+<br>");Matcher matcherCountry = patternCountry.matcher(doc.html());if (matcherCountry.find()) {movie.setCountry(matcherCountry.group().split("</span>")\[1\].split("<br>")\[0\].trim());// for example: >制片国家/地区:</span> 中国大陆 / 香港     <br>}} else if ("语言:".equals(key)) {Pattern patternLanguage = Pattern.compile(".语言:</span>.+\[\\\\u4e00-\\\\u9fa5\]+.+\[\\\\u4e00-\\\\u9fa5\]+\\\\s+<br>");Matcher matcherLanguage = patternLanguage.matcher(doc.html());if (matcherLanguage.find()) {movie.setLanguage(matcherLanguage.group().split("</span>")\[1\].split("<br>")\[0\].trim());}} else if ("上映日期:".equals(key)) {movie.setReleaseDate(doc.getElementsByAttributeValue("property", "v:initialReleaseDate").text());} else if ("片长:".equals(key)) {movie.setRuntime(doc.getElementsByAttributeValue("property", "v:runtime").text());}}
}
movie.setTags(doc.getElementsByClass("tags-body").text());
movie.setName(doc.getElementsByAttributeValue("property", "v:itemreviewed").text());
movie.setRatingNum(doc.getElementsByAttributeValue("property", "v:average").text());

对于服务端返回不同状态的http status，本程序对于如304,401,403,404等都采取了丢弃处理，不作解析。

效果展示

record表记录

movie表记录

comments表记录

以上只是一个爬取数据的后台实现雏形，还有很多细节的问题需要解决。后期可能会补上环境搭建以及遇到的问题和解决方法相关的文章。

Java豆瓣电影爬虫——使用Word2Vec分析电影短评数据

Java豆瓣电影爬虫——小爬虫成长记（附源码）

程序爬取控制在豆瓣可接受范围内，不会给豆瓣服务器带来很大的压力，写此程序也是个人把玩，绝无恶意，万望豆瓣君谅解^_

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
在这里插入图片描述

二、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。
在这里插入图片描述
三、入门学习视频
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

四、实战案例
光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

在这里插入图片描述
五、100道Python练习题
检查学习结果。

最后，如果你也想自学Python，可以关注我。我会把踩过的坑分享给你，让你不要踩坑，提高学习速度，这套资料涵盖了诸多学习内容：开发工具，基础视频教程，项目实战源码，51本电子书籍，100道练习题等。相信可以帮助大家在最短的时间内，能达到事半功倍效果，用来复习也是非常不错的。
在这里插入图片描述