从豆瓣电影批量获取看过这部电影的用户列表

470 查看

前言

由于之后要做一个实验，需要用到大量豆瓣用户的电影数据，因此想到了从豆瓣电影的“看过这部电影的豆瓣成员”页面上来获取较为活跃的豆瓣电影用户。

链接分析

这是看过”模仿游戏”的豆瓣成员的网页链接：http://movie.douban.com/subject/10463953/collections。

一页上显示了20名看过这部电影的豆瓣用户。当点击下一页时，当前连接变为：http://movie.douban.com/subject/10463953/collections?start=20。

由此可知，当请求下一页内容时，实际上就是将”start”后的索引增加20。

因此，我们可以设定base_url=’http://movie.douban.com/subject/10463953/collections?start=’,i=range(0,200,20),在循环中url=base_url+str(i)。

之所以要把i的最大值设为180，是因为后来经过测试，豆瓣只给出看过一部电影的最近200个用户。

读取网页

在访问时我设置了一个HTTP代理，并且为了防止访问频率过快而被豆瓣封ip，每读取一个网页后都会调用time.sleep(5)等待5秒。在程序运行的时候干别的事情好了。

网页解析

本次使用BeautifulSoup库解析html。

每一个用户信息在html中是这样的：

<tr>

</a>

</td>

<a href="http://movie.douban.com/people/46770381/" class="">七月

</a>

</div>

<p class="pl">2015-08-23

</p>

</td>

</tr>

</table>

首先用读取到的html初始化soup=BeautifulSoup(html)。本次需要的信息仅仅是用户id和用户的电影主页，因此真正有用的信息在这段代码中：

</a>

</td> <td width="80" valign="top">

</a>

</td>

因此在Python代码中通过td_tags=soup.findAll(‘td’,width=’80’,valign=’top’)找到所有<td width=”80″ valign=”top”>的块。

td=td_tags[0],a=td.a就可以得到

</a>

通过link=a.get(‘href’)可以得到href属性，也就用户的电影主页链接。然后通过字符串查找也就可以得到用户ID了。

完整代码

#coding=utf-8

##从豆瓣网页中得到用户id

##网页地址类型：http://movie.douban.com/subject/26289144/collections?start=0

## http://movie.douban.com/subject/26289144/collections?start=20

from BeautifulSoup import BeautifulSoup

import codecs

import time

import urllib2

baseUrl='http://movie.douban.com/subject/25895276/collections?start='

proxyInfo='127.0.0.1:8087'

proxySupport=urllib2.ProxyHandler({'http':proxyInfo})

opener=urllib2.build_opener(proxySupport)

urllib2.install_opener(opener)

#将用户信息（id，主页链接）保存至文件

def saveUserInfo(idList,linkList):

if len(idList)!=len(linkList):

print 'Error: len(idList)!=len(linkList) !'

return

writeFile=codecs.open('UserIdList3.txt','a','utf-8')

size=len(idList)

for i in range(size):

writeFile.write(idList[i]+'\t'+linkList[i]+'\n')

writeFile.close()

#从给定html文本中解析用户id和连接

def parseHtmlUserId(html):

idList=[] #返回的id列表

linkList=[] #返回的link列表

soup=BeautifulSoup(html)

##<td width="80" valign="top">

##<a href="http://movie.douban.com/people/liaaaar/">

##<img class="" src="/u3893139-33.jpg" alt="Liar." />

##</a>

##</td>

td_tags=soup.findAll('td',width='80',valign='top')

i=0

for td in td_tags:

#前20名用户是看过这部电影的，

#而后面的只是想看这部电影的用户，因此舍弃

if i==20:

break

a=td.a

link=a.get('href')

i_start=link.find('people/')

id=link[i_start+7:-1]

idList.append(id)

linkList.append(link)

i+=1

return (idList,linkList)

#返回指定编号的网页内容

def getHtml(num):

url=baseUrl+str(num)

page=urllib2.urlopen(url)

html=page.read()

return html

def launch():

#指定起始编号：20的倍数

ques=raw_input('Start from number?（Multiples of 20） ')

startNum=int(ques)

if startNum%20 != 0:

print 'Input number error!'

return

for i in range(startNum,200,20):

print 'Loading page %d/200 ...' %(i+1)

html=getHtml(i)

(curIdList,curLinkList)=parseHtmlUserId(html)

saveUserInfo(curIdList,curLinkList)

print 'Sleeping.'

time.sleep(5)