文 | yangrq1018?

經(jīng)常在騰訊視頻上看電影，在影片庫里有一個(gè)"豆瓣好評(píng)"板塊。我一般會(huì)在這個(gè)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(píng)"里的電影都爬下來整理到一個(gè)表中，方便選片。

項(xiàng)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(fù)雜的自動(dòng)化爬蟲架構(gòu)，簡(jiǎn)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(fā)現(xiàn)是異步加載的。可以用Firefox（Chrome也行）的inspect中的network這個(gè)tab來篩選查看可能的api接口。很快發(fā)現(xiàn)接口的URL是這個(gè)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(qǐng)求頁開始的位置， pagesize 是每頁請(qǐng)求的數(shù)量， sort 是類型。在這里 sort=21 指我們需要的"豆瓣好評(píng)"類型。 pagesize 不能大于30，大于30也只會(huì)返回三十個(gè)元素，低于30會(huì)返回指定數(shù)量的元素。

              
                # 讓Pandas完整到處過長(zhǎng)的URL，后面會(huì)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(gè)小小的循環(huán)就可以發(fā)現(xiàn)，豆瓣好評(píng)這個(gè)類型總共有167頁，每頁三十個(gè)元素。

我們使用 requests 這個(gè)庫來請(qǐng)求網(wǎng)頁， get_soup 會(huì)請(qǐng)求第 page_idx 頁的元素，用 Beautifulsoup 來解析 response.content ，生成一個(gè)類似 DOM ，可以很方便地查找我們需要的element的對(duì)象。我們返回一個(gè) list 。每個(gè)電影條目是包含在一個(gè)叫l(wèi)ist_item的 div 里的，所以寫一個(gè)函數(shù)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(gè)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(guó)榮 張豐毅 鞏俐 葛優(yōu)">主演：張國(guó)榮 張豐毅 鞏俐 葛優(yōu)</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(fā)現(xiàn)，霸王別姬這部電影，名稱、播放地址、封面、評(píng)分、主演，是否需要會(huì)員和播放量都在這個(gè) div 中。在ipython這樣的interactive環(huán)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(gè)技巧是，可以打開一個(gè) spyder.py 文件，在里面編寫需要的函數(shù)，將ipython的自動(dòng)重載模組的選項(xiàng)打開，然后就可以在console里debug之后將代碼復(fù)制到文件里，然后ipython中的函數(shù)也會(huì)相應(yīng)的更新。這樣的好處是會(huì)比在ipython中改動(dòng)代碼方便許多。具體如何打開ipython的自動(dòng)重載：

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

這個(gè) parse_films 函數(shù)用bs中的兩個(gè)常用方法提取信息：

• find

• find_all

因?yàn)槎拱甑腁PI已經(jīng)關(guān)閉了檢索功能，爬蟲又會(huì)被反爬蟲檢測(cè)到，本來想檢索到豆瓣的評(píng)分添加上去這個(gè)功能就放棄了。

OrderedDict 可以接受一個(gè)由(key, value)組成的list，然后key的順序會(huì)被記住。這個(gè)在之后我們導(dǎo)出為pandas DataFrame的時(shí)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(dǎo)出

最后，我們調(diào)用寫好的函數(shù)，在主程序中運(yùn)行。

被解析好，list of dictionaries格式的對(duì)象，可以直接傳給DataFrame的constructor。按照評(píng)分排序，最高分在前面，然后將播放鏈接轉(zhuǎn)換成HTML的鏈接標(biāo)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(shí)候會(huì)亂碼。解決方法是選擇utf_8_sig這個(gè)encoding，就可以讓excel正常解碼了。

Pickle 是一個(gè)Python十分強(qiáng)大的serialization庫，可以保存Python的對(duì)象為文件，再從文件中加載Python的對(duì)象。我們將我們的DataFrame保存為 .pkl 。調(diào)用 DataFrame 的 to_html 方法保存一個(gè)HTML文件，注意要將 escape 設(shè)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(xiàng)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(shí)Github是提供了一個(gè)命令行工具的（不是 git ，是 git 的一個(gè)擴(kuò)展），叫做 hub 。macOS用戶可以這樣安裝

              
                brew install hub
              
            

hub 有許多比 git 更簡(jiǎn)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(chuàng)建repo，是不是很酷！根本不用打開瀏覽器。然后可能會(huì)被提示在Github上登記一個(gè)你的SSH公鑰（驗(yàn)證權(quán)限），如果沒有的話用 ssh-keygen 生成一個(gè)就好了，在Github的設(shè)置里把 .pub 的內(nèi)容復(fù)制進(jìn)去。

項(xiàng)目目錄里，可能會(huì)有 __pycache__ 和 .DS_Store 這樣你不想track的文件。手寫一個(gè) .gitignore 又太麻煩，有沒有工具呢，肯定有的！Python有一個(gè)包

              
                pip install git-ignore	
git-ignore python #    產(chǎn)生一個(gè)python的template	
# 手動(dòng)把.DS_Store加進(jìn)去
              
            

只用命令行，裝逼裝到爽。

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

更多Python技術(shù)，Python爬蟲，數(shù)據(jù)分析，Python面試題，關(guān)注Python技術(shù)之巔公號(hào)，關(guān)注就送你Python爬蟲大禮包。