本文的文字及圖片來源于網路,僅供學習、交流使用,不具有任何商業用途,如有問題請及時聯系我們以作處理，

做了一些小專案，用的技術和技巧會比較散比較雜，寫一個小品文記錄一下，幫助熟悉，

需求：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，

專案地址：https://github.com/yangrq1018/vqq-douban-film

Python爬取豆瓣TOP250電影視頻教學，在線觀看地址

https://www.bilibili.com/video/BV1uy4y1i7KV/

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，

爬取影片資訊

首先觀察電影頻道，發現是異步加載的，可以用Firefox（Chrome也行）的inspect中的network這個tab來篩選查看可能的api介面，很快發現介面的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是型別，在這里 sort=21指我們需要的"豆瓣好評"型別，pagesize不能大于30，大于30也只會回傳三十個元素，低于30會回傳指定數量的元素，

# 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}'

# 豆瓣最佳型別
DOUBAN_BEST_SORT = 21

NUM_PAGE_DOUBAN = 167

寫一個小小的回圈就可以發現，豆瓣好評這個型別總共有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來決議 response.content，生成一個類似 DOM，可以很方便地查找我們需要的element的物件，我們回傳一個 list，每個電影條目是包含在一個叫list_item的 div里的，所以寫一個函式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，回傳一個含有所有的被 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" href=https://www.cnblogs.com/hhh188764/p/"https://v.qq.com/x/cover/j3czmhisqin799r.html" tabindex="-1" target="_blank" title="霸王別姬">
<img alt="霸王別姬" class="figure_pic" one rror="picerr(this,'v')" src=https://www.cnblogs.com/hhh188764/p/"//puui.qpic.cn/vcover_vt_pic/0/j3czmhisqin799rt1444885520.jpg/220"/>
<img alt="VIP" class="mark_v" one rror="picerr(this)" src=https://www.cnblogs.com/hhh188764/p/"//i.gtimg.cn/qqlive/images/mark/mark_5.png" srcset="//i.gtimg.cn/qqlive/images/mark/[email protected] 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" href=https://www.cnblogs.com/hhh188764/p/"https://v.qq.com/x/cover/j3czmhisqin799r.html" 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=https://www.cnblogs.com/hhh188764/p/"#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，我使用的一個技巧是，可以打開一個 spyder.py檔案，在里面撰寫需要的函式，將ipython的自動多載模組的選項打開，然后就可以在console里debug之后將代碼復制到檔案里，然后ipython中的函式也會相應的更新，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的自動多載：

%load_ext autoreload
%autoreload 2 # Reload all modules every time before executing Python code
%autoreload 0 # Disable automatic reloading

這個 parse_films函式用bs中的兩個常用方法提取資訊：

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，這個在之后我們匯出為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

匯出

最后，我們呼叫寫好的函式，在主程式中運行，

被決議好，list of dictionaries格式的物件，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檔案一直和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的物件為檔案，再從檔案中加載Python的物件，我們將我們的DataFrame保存為 .pkl，呼叫 DataFrame的 to_html方法保存一個HTML檔案，注意要將 escape 設定為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="https://www.cnblogs.com/hhh188764/p/{0}">Film link</a>'.format(x))
    df['img_link'] = df['img_link'].apply(lambda x: '<img src="https://www.cnblogs.com/hhh188764/p/{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)

專案管理

代碼部分就是這樣，那么寫完了代碼，就要把它歸檔保存，以便于分析，選擇放在Github上，

那么，其實Github是提供了一個命令列工具的（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

來直接從命令列創建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的設定里把 .pub的內容復制進去，

專案目錄里，可能會有 __pycache__和 .DS_Store這樣你不想track的檔案，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

只用命令列，裝到爽，

作者：yangrq1018

原文：https://segmentfault.com/a/1190000019421255

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/242691.html

標籤：Python

上一篇：Python中常用魔術方法

下一篇：DRF認證流程及原始碼分析

Python爬蟲實戰教學：爬取電影視頻資料

依賴

爬取影片資訊

匯出

專案管理