admin 管理员组

文章数量: 887007

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/yangrq1018/vqq-douban-film

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:

Python学习交流群:1004391443
base_url = 'https://v.qq/x/bu/pagesheet/list?  _all=1&append=1&channel=movie&listpage=2&offset={offset}&pagesize={page_size}&sort={sort}'

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。

# 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/x/bu/pagesheet/list?_all=1&append=1&channel=movie&listpage=2&offset={offset}&pagesize={page_size}&sort={sort}'
# 豆瓣最佳类型DOUBAN_BEST_SORT = 21
NUM_PAGE_DOUBAN = 167

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。

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。

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

这是其中的一部电影的HTML代码:

<div __wind="" class="list_item"><a class="figure" data-float="j3czmhisqin799r" href="https://v.qq/x/cover/j3czmhisqin799r.html" tabindex="-1" target="_blank" title="霸王别姬"><img alt="霸王别姬" class="figure_pic" οnerrοr="picerr(this,'v')" src="//puui.qpic/vcover_vt_pic/0/j3czmhisqin799rt1444885520.jpg/220"/><img alt="VIP" class="mark_v" οnerrοr="picerr(this)" src="//i.gtimg/qqlive/images/mark/mark_5.png" srcset="//i.gtimg/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" href="https://v.qq/x/cover/j3czmhisqin799r.html" target="_blank" title="霸王别姬">霸王别姬</a><div class="figure_desc" title="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 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>4671万</div></div>

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。我试用的一个技巧是,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:

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

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。

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

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。

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)

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,也便于分析。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

brew install hub

hub有许多比 git更简练的语法,我们这里主要用

hub create -d "Create repo for our proj" vqq-douban-film

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

pip install git-ignoregit-ignore python #    产生一个python的template# 手动把.DS_Store加进去

只用命令行,装逼装到爽。

本文标签: 爬虫 腾讯 实战 项目 视频