文 | yangrq1018?
經常在騰訊視頻上看電影，在影片庫里有一個"豆瓣好評"板塊。我一般會在這個條目下面挑電影。但是電影很多，又缺乏索引，只能不停地往下來，讓js加載更多的條目。然而前面的看完了，每次找新的片就要拉很久。所以用爬蟲將"豆瓣好評"里的電影都爬下來整理到一個表中，方便選片。
項目地址：https://github.com/yangrq1018/vqq-douban-film
依賴
需要如下Python包：
-
requests
-
bs4 - Beautiful soup
-
pandas
就這些，不需要復雜的自動化爬蟲架構，簡單而且常用的包就夠了。
爬取影片信息
首先觀察電影頻道，發現是異步加載的?？梢杂肍irefox（Chrome也行）的inspect中的network這個tab來篩選查看可能的api接口。很快發現接口的URL是這個格式的：
base_url = 'https://v.qq.com/x/bu/pagesheet/list?_all=1&append=1&channel=movie&listpage=2&offset={offset}&pagesize={page_size}&sort={sort}'
其中
offset
是請求頁開始的位置，
pagesize
是每頁請求的數量，
sort
是類型。在這里
sort=21
指我們需要的"豆瓣好評"類型。
pagesize
不能大于30，大于30也只會返回三十個元素，低于30會返回指定數量的元素。
# 讓Pandas完整到處過長的URL，后面會需要
pd.set_option('display.max_colwidth', -1)
base_url = 'https://v.qq.com/x/bu/pagesheet/list?_all=1&append=1&channel=movie&listpage=2&offset={offset}&pagesize={page_size}&sort={sort}'
# 豆瓣最佳類型
DOUBAN_BEST_SORT = 21
NUM_PAGE_DOUBAN = 167
寫一個小小的循環就可以發現，豆瓣好評這個類型總共有167頁，每頁三十個元素。
我們使用
requests
這個庫來請求網頁，
get_soup
會請求第
page_idx
頁的元素，用
Beautifulsoup
來解析
response.content
，生成一個類似
DOM
，可以很方便地查找我們需要的element的對象。我們返回一個
list
。每個電影條目是包含在一個叫list_item的
div
里的，所以寫一個函數來幫助我們提取所有的這樣的
div
。
def get_soup(page_idx, page_size=30, sort=DOUBAN_BEST_SORT):
url = base_url.format(offset=page_idx * page_size, page_size=page_size, sort=sort)
res = requests.get(url)
soup = bs4.BeautifulSoup(res.content.decode('utf-8'), 'lxml')
return soup
def find_list_items(soup):
return soup.find_all('div', class_='list_item')
我們遍歷每一頁，返回一個含有所有的被
bs4
過的條目元素的HTML的
list
。
def douban_films():
rel = []
for p in range(NUM_PAGE_DOUBAN):
print('Getting page {}'.format(p))
soup = get_soup(p)
rel += find_list_items(soup)
return rel
這是其中的一部電影的HTML代碼：
<div __wind="" class="list_item">
<a class="figure" data-float="j3czmhisqin799r" tabindex="-1" target="_blank" title="霸王別姬">
<img alt="霸王別姬" class="figure_pic" οnerrοr="picerr(this,'v')" src="http://puui.qpic.cn/vcover_vt_pic/0/j3czmhisqin799rt1444885520.jpg/220"/>
<img alt="VIP" class="mark_v" οnerrοr="picerr(this)" src="http://i.gtimg.cn/qqlive/images/mark/mark_5.png" srcset="http://i.gtimg.cn/qqlive/images/mark/mark_5@2x.png 2x"/>
<div class="figure_caption"></div>
<div class="figure_score">9.6</div>
</a>
<div class="figure_detail figure_detail_two_row">
<a class="figure_title figure_title_two_row bold" target="_blank" title="霸王別姬">霸王別姬</a>
<div class="figure_desc" title="主演：張國榮 張豐毅 鞏俐 葛優">主演：張國榮 張豐毅 鞏俐 葛優</div>
</div>
<div class="figure_count"><svg class="svg_icon svg_icon_play_sm" height="16" viewbox="0 0 16 16" width="16"><use xlink:href="#svg_icon_play_sm"></use></svg>4671萬</div>
</div>
不難發現，霸王別姬這部電影，名稱、播放地址、封面、評分、主演，是否需要會員和播放量都在這個
div
中。在ipython這樣的interactive環境中，可以方便地找出怎么用bs來提取他們的方法。我試用的一個技巧是，可以打開一個
spyder.py
文件，在里面編寫需要的函數，將ipython的自動重載模組的選項打開，然后就可以在console里debug之后將代碼復制到文件里，然后ipython中的函數也會相應的更新。這樣的好處是會比在ipython中改動代碼方便許多。具體如何打開ipython的自動重載：
%load_ext autoreload
%autoreload 2 # Reload all modules every time before executing Python code
%autoreload 0 # Disable automatic reloading
這個
parse_films
函數用bs中的兩個常用方法提取信息：
-
find
-
find_all
因為豆瓣的API已經關閉了檢索功能，爬蟲又會被反爬蟲檢測到，本來想檢索到豆瓣的評分添加上去這個功能就放棄了。
OrderedDict
可以接受一個由(key, value)組成的list，然后key的順序會被記住。這個在之后我們導出為pandas DataFrame的時候很有用。
def parse_films(films):
'''films is a list of `bs4.element.Tag` objects'''
rel = []
for i, film in enumerate(films):
title = film.find('a', class_="figure_title")['title']
print('Parsing film %d: ' % i, title)
link = film.find('a', class_="figure")['href']
img_link = film.find('img', class_="figure_pic")['src']
# test if need VIP
need_vip = bool(film.find('img', class_="mark_v"))
score = getattr(film.find('div', class_='figure_score'), 'text', None)
if score: score = float(score)
cast = film.find('div', class_="figure_desc")
if cast:
cast = cast.get('title', None)
play_amt = film.find('div', class_="figure_count").get_text()
# db_score, db_link = search_douban(title)
# Store key orders
dict_item = OrderedDict([
('title', title),
('vqq_score', score),
# ('db_score', db_score),
('need_vip', need_vip),
('cast', cast),
('play_amt', play_amt),
('vqq_play_link', link),
# ('db_discuss_link', db_link),
('img_link', img_link),
])
rel.append(dict_item)
return rel
導出
最后，我們調用寫好的函數，在主程序中運行。
被解析好，list of dictionaries格式的對象，可以直接傳給DataFrame的constructor。按照評分排序，最高分在前面，然后將播放鏈接轉換成HTML的鏈接標簽，更加美觀而且可以直接打開。
注意，pandas生成的csv文件一直和excel有兼容性問題，在有中文字符的時候會亂碼。解決方法是選擇utf_8_sig這個encoding，就可以讓excel正常解碼了。
Pickle
是一個Python十分強大的serialization庫，可以保存Python的對象為文件，再從文件中加載Python的對象。我們將我們的DataFrame保存為
.pkl
。調用
DataFrame
的
to_html
方法保存一個HTML文件，注意要將
escape
設置為False不然超鏈接不能被直接打開。
if __name__ == '__main__':
df = DataFrame(parse_films(douban_films()))
# Sorted by score
df.sort_values(by="vqq_score", inplace=True, ascending=False)
# Format links
df['vqq_play_link'] = df['vqq_play_link'].apply(lambda x: '<a href="{0}">Film link</a>'.format(x))
df['img_link'] = df['img_link'].apply(lambda x: '<img src="{0}">'.format(x))
# Chinese characters in Excel must be encoded with _sig
df.to_csv('vqq_douban_films.csv', index=False, encoding='utf_8_sig')
# Pickle
df.to_pickle('vqq_douban_films.pkl')
# HTML, render hyperlink
df.to_html('vqq_douban_films.html', escape=False)
項目管理
代碼部分就是這樣。那么寫完了代碼，就要把它歸檔保存，也便于分析。選擇放在Github上。
那么，其實Github是提供了一個命令行工具的（不是
git
，是
git
的一個擴展），叫做
hub
。macOS用戶可以這樣安裝
brew install hub
hub
有許多比
git
更簡練的語法，我們這里主要用
hub create -d "Create repo for our proj" vqq-douban-film
來直接從命令行創建repo，是不是很酷！根本不用打開瀏覽器。然后可能會被提示在Github上登記一個你的SSH公鑰（驗證權限），如果沒有的話用
ssh-keygen
生成一個就好了，在Github的設置里把
.pub
的內容復制進去。
項目目錄里，可能會有
__pycache__
和
.DS_Store
這樣你不想track的文件。手寫一個
.gitignore
又太麻煩，有沒有工具呢，肯定有的！Python有一個包
pip install git-ignore
git-ignore python # 產生一個python的template
# 手動把.DS_Store加進去
只用命令行，裝逼裝到爽。
來源：https://segmentfault.com/a/1190000019421255
更多Python技術，Python爬蟲，數據分析，Python面試題，關注Python技術之巔公號，關注就送你Python爬蟲大禮包。
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
