本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。
做了一些小项目，用的技术和技巧会比较散比较杂，写一个小品文记录一下，帮助熟悉。
需求：经常在腾讯视频上看电影，在影片库里有一个”豆瓣好评”板块。我一般会在这个条目下面挑电影。但是电影很多，又缺乏索引，只能不停地往下来，让js加载更多的条目。然而前面的看完了，每次找新的片就要拉很久。所以用爬虫将”豆瓣好评”里的电影都爬下来整理到一个表中，方便选片。
项目地址：https://github.com/yangrq1018/vqq-douban-film
Python爬取豆瓣TOP250电影视频教学，在线观看地址
https://www.bilibili.com/video/BV1uy4y1i7KV/
依赖
需要如下Python包：
- requests
- bs4 – Beautiful soup
- pandas
就这些，不需要复杂的自动化爬虫架构，简单而且常用的包就够了。
爬取影片信息
首先观察电影频道，发现是异步加载的。可以用Firefox（Chrome也行）的inspect中的network这个tab来筛选查看可能的api接口。很快发现接口的URL是这个格式的：
<code><span class="hljs-attr">base_url = <span class="hljs-string">"https://v.qq.com/x/bu/pagesheet/list?_all=1&append=1&channel=movie&listpage=2&offset={offset}&pagesize={page_size}&sort={sort}"</span></span></code>
www#gaodaima.com来源gaodai$ma#com搞$代*码*网搞代码
其中 offset是请求页开始的位置， pagesize是每页请求的数量， sort是类型。在这里 sort=21指我们需要的”豆瓣好评”类型。pagesize不能大于30，大于30也只会返回三十个元素，低于30会返回指定数量的元素。
<code><span class="hljs-comment"># 让Pandas完整到处过长的URL，后面会需要
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}"
<span class="hljs-comment"># 豆瓣最佳类型
DOUBAN_BEST_SORT = 21
NUM_PAGE_DOUBAN = 167</span></span></code>
写一个小小的循环就可以发现，豆瓣好评这个类型总共有167页，每页三十个元素。
我们使用 requests这个库来请求网页， get_soup会请求第 page_idx页的元素，用 Beautifulsoup来解析 response.content，生成一个类似 DOM，可以很方便地查找我们需要的element的对象。我们返回一个 list。每个电影条目是包含在一个叫list_item的 div里的，所以写一个函数来帮助我们提取所有的这样的 div。
<code><span class="hljs-function"><span class="hljs-keyword">def <span class="hljs-title">get_soup<span class="hljs-params">(page_idx, page_size=<span class="hljs-number">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(<span class="hljs-string">"utf-8"), <span class="hljs-string">"lxml")
<span class="hljs-keyword">return soup
<span class="hljs-function"><span class="hljs-keyword">def <span class="hljs-title">find_list_items<span class="hljs-params">(soup):
<span class="hljs-keyword">return soup.find_all(<span class="hljs-string">"div", <span class="hljs-keyword">class<span class="hljs-number">_=<span class="hljs-string">"list_item")</span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></code>
我们遍历每一页，返回一个含有所有的被 bs4过的条目元素的HTML的 list。
<code><span class="hljs-attr">def <span class="hljs-string">douban_films():
<span class="hljs-attr">rel = <span class="hljs-string">[]
<span class="hljs-attr">for <span class="hljs-string">p in range(NUM_PAGE_DOUBAN):
<span class="hljs-meta">print("Getting <span class="hljs-string">page {}".format(p))
<span class="hljs-attr">soup = <span class="hljs-string">get_soup(p)
<span class="hljs-attr">rel <span class="hljs-string">+= find_list_items(soup)
<span class="hljs-attr">return <span class="hljs-string">rel</span></span></span></span></span></span></span></span></span></span></span></span></span></span></code>
这是其中的一部电影的HTML代码：
<code><div __wind=<span class="hljs-string">"" <span class="hljs-keyword">class=<span class="hljs-string">"list_item"> <a <span class="hljs-keyword">class=<span class="hljs-string">"figure" data-<span class="hljs-keyword">float=<span class="hljs-string">"j3czmhisqin799r" href=<span class="hljs-string">"https://v.qq.com/x/cover/j3czmhisqin799r.html" tabindex=<span class="hljs-string">"-1" target=<span class="hljs-string">"_blank" title=<span class="hljs-string">"霸王别姬"> <img alt=<span class="hljs-string">"霸王别姬" <span class="hljs-keyword">class=<span class="hljs-string">"figure_pic" onerror=<span class="hljs-string">"picerr(this,"v")" src=<span class="hljs-string">"//puui.qpic.cn/vcover_vt_pic/0/j3czmhisqin799rt1444885520.jpg/220"/> <img alt=<span class="hljs-string">"VIP" <span class="hljs-keyword">class=<span class="hljs-string">"mark_v" onerror=<span class="hljs-string">"picerr(this)" src=<span class="hljs-string">"//i.gtimg.cn/qqlive/images/mark/mark_5.png" srcset=<span class="hljs-string">"//i.gtimg.cn/qqlive/images/mark/[email protected] 2x"/> <div <span class="hljs-keyword">class=<span class="hljs-string">"figure_caption"></div> <div <span class="hljs-keyword">class=<span class="hljs-string">"figure_score"><span class="hljs-number">9.6</div> </a> <div <span class="hljs-keyword">class=<span class="hljs-string">"figure_detail figure_detail_two_row"> <a <span class="hljs-keyword">class=<span class="hljs-string">"figure_title figure_title_two_row bold" href=<span class="hljs-string">"https://v.qq.com/x/cover/j3czmhisqin799r.html" target=<span class="hljs-string">"_blank" title=<span class="hljs-string">"霸王别姬">霸王别姬</a> <div <span class="hljs-keyword">class=<span class="hljs-string">"figure_desc" title=<span class="hljs-string">"主演：张国荣 张丰毅 巩俐 葛优">主演：张国荣 张丰毅 巩俐 葛优</div> </div> <div <span class="hljs-keyword">class=<span class="hljs-string">"figure_count"><svg <span class="hljs-keyword">class=<span class="hljs-string">"svg_icon svg_icon_play_sm" height=<span class="hljs-string">"16" viewbox=<span class="hljs-string">"0 0 16 16" width=<span class="hljs-string">"16"><use xlink:href=<span class="hljs-string">"#svg_icon_play_sm"></use></svg><span class="hljs-number">4671万</div> </div></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></code>
不难发现，霸王别姬这部电影，名称、播放地址、封面、评分、主演，是否需要会员和播放量都在这个 div中。在ipython这样的interactive环境中，可以方便地找出怎么用bs来提取他们的方法。我使用的一个技巧是，可以打开一个 spyder.py文件，在里面编写需要的函数，将ipython的自动重载模组的选项打开，然后就可以在console里debug之后将代码复制到文件里，然后ipython中的函数也会相应的更新。这样的好处是会比在ipython中改动代码方便许多。具体如何打开ipython的自动重载：
<code>%load_ext autoreload %autoreload <span class="hljs-number">2 <span class="hljs-comment"># Reload all modules every time before executing Python code %autoreload <span class="hljs-number">0 <span class="hljs-comment"># Disable automatic reloading</span></span></span></span></code>
这个 parse_films函数用bs中的两个常用方法提取信息：
- find
- find_all
因为豆瓣的API已经关闭了检索功能，爬虫又会被反爬虫检测到，本来想检索到豆瓣的评分添加上去这个功能就放弃了。
OrderedDict可以接受一个由(key, value)组成的list，然后key的顺序会被记住。这个在之后我们导出为pandas DataFrame的时候很有用。
<code><span class="hljs-function"><span class="hljs-keyword">def <span class="hljs-title">parse_films<span class="hljs-params">(films):
<span class="hljs-string">"""films is a list of `bs4.element.Tag` objects"""
rel = []
<span class="hljs-keyword">for i, film <span class="hljs-keyword">in enumerate(films):
title = film.find(<span class="hljs-string">"a", class_=<span class="hljs-string">"figure_title")[<span class="hljs-string">"title"]
print(<span class="hljs-string">"Parsing film %d: " % i, title)
link = film.find(<span class="hljs-string">"a", class_=<span class="hljs-string">"figure")[<span class="hljs-string">"href"]
img_link = film.find(<span class="hljs-string">"img", class_=<span class="hljs-string">"figure_pic")[<span class="hljs-string">"src"]
<span class="hljs-comment"># test if need VIP
need_vip = bool(film.find(<span class="hljs-string">"img", class_=<span class="hljs-string">"mark_v"))
score = getattr(film.find(<span class="hljs-string">"div", class_=<span class="hljs-string">"figure_score"), <span class="hljs-string">"text", <span class="hljs-literal">None)
<span class="hljs-keyword">if score: score = float(score)
cast = film.find(<span class="hljs-string">"div", class_=<span class="hljs-string">"figure_desc")
<span class="hljs-keyword">if cast:
cast = cast.get(<span class="hljs-string">"title", <span class="hljs-literal">None)
play_amt = film.find(<span class="hljs-string">"div", class_=<span class="hljs-string">"figure_count").get_text()
<span class="hljs-comment"># db_score, db_link = search_douban(title)
<span class="hljs-comment"># Store key orders
dict_item = OrderedDict([
(<span class="hljs-string">"title", title),
(<span class="hljs-string">"vqq_score", score),
<span class="hljs-comment"># ("db_score", db_score),
(<span class="hljs-string">"need_vip", need_vip),
(<span class="hljs-string">"cast", cast),
(<span class="hljs-string">"play_amt", play_amt),
(<span class="hljs-string">"vqq_play_link", link),
<span class="hljs-comment"># ("db_discuss_link", db_link),
(<span class="hljs-string">"img_link", img_link),
])
rel.append(dict_item)
<span class="hljs-keyword">return rel</span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></code>
导出
最后，我们调用写好的函数，在主程序中运行。
被解析好，list of dictionaries格式的对象，可以直接传给DataFrame的constructor。按照评分排序，最高分在前面，然后将播放链接转换成HTML的链接标签，更加美观而且可以直接打开。
注意，pandas生成的csv文件一直和excel有兼容性问题，在有中文字符的时候会乱码。解决方法是选择utf_8_sig这个encoding，就可以让excel正常解码了。
Pickle是一个Python十分强大的serialization库，可以保存Python的对象为文件，再从文件中加载Python的对象。我们将我们的DataFrame保存为 .pkl。调用 DataFrame的 to_html方法保存一个HTML文件，注意要将 escape 设置为False不然超链接不能被直接打开。
<code><span class="hljs-keyword">if __name__ == <span class="hljs-string">"__main__":
df = DataFrame(parse_films(douban_films()))
<span class="hljs-comment"># Sorted by score
df.sort_values(by=<span class="hljs-string">"vqq_score", inplace=<span class="hljs-literal">True, ascending=<span class="hljs-literal">False)
<span class="hljs-comment"># Format links
df[<span class="hljs-string">"vqq_play_link"] = df[<span class="hljs-string">"vqq_play_link"].apply(<span class="hljs-keyword">lambda x: <span class="hljs-string">"<a href="{0}">Film link</a>".format(x))
df[<span class="hljs-string">"img_link"] = df[<span class="hljs-string">"img_link"].apply(<span class="hljs-keyword">lambda x: <span class="hljs-string">"<img src="{0}">".format(x))
<span class="hljs-comment"># Chinese characters in Excel must be encoded with _sig
df.to_csv(<span class="hljs-string">"vqq_douban_films.csv", index=<span class="hljs-literal">False, encoding=<span class="hljs-string">"utf_8_sig")
<span class="hljs-comment"># Pickle
df.to_pickle(<span class="hljs-string">"vqq_douban_films.pkl")
<span class="hljs-comment"># HTML, render hyperlink
df.to_html(<span class="hljs-string">"vqq_douban_films.html", escape=<span class="hljs-literal">False)</span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></code>
项目管理
代码部分就是这样。那么写完了代码，就要把它归档保存，以便于分析。选择放在Github上。
那么，其实Github是提供了一个命令行工具的（不是 git，是 git的一个扩展），叫做 hub。macOS用户可以这样安装
<code><span class="hljs-attribute">brew install hub</span></code>
hub有许多比 git更简练的语法，我们这里主要用
<code>hub <span class="hljs-built_in">create -d <span class="hljs-string">"Create repo for our proj" vqq-douban-film</span></span></code>
来直接从命令行创建repo，是不是很酷！根本不用打开浏览器。然后可能会被提示在Github上登记一个你的SSH公钥（验证权限），如果没有的话用 ssh-keygen生成一个就好了，在Github的设置里把 .pub的内容复制进去。
项目目录里，可能会有 __pycache__和 .DS_Store这样你不想track的文件。手写一个 .gitignore又太麻烦，有没有工具呢，肯定有的！Python有一个包
<code>pip <span class="hljs-keyword">install git-<span class="hljs-keyword">ignore git-<span class="hljs-keyword">ignore python <span class="hljs-comment"># 产生一个python的template <span class="hljs-comment"># 手动把.DS_Store加进去</span></span></span></span></span></code>
只用命令行，装到爽。
作者：yangrq1018
原文：https://segmentfault.com/a/1190000019421255
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：Python爬虫实战教学：爬取电影视频数据
转载请注明原文链接：Python爬虫实战教学：爬取电影视频数据
