做了一些小項(xiàng)目，用的技術(shù)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(jīng)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(xiàng)目地址：https://github.com/yangrq1018/vqq-douban-film
1依賴
需要如下Python包：
- requests
- bs4 - Beautiful soup
- pandas
就這些，不需要復(fù)雜的自動化爬蟲架構(gòu)，簡單而且常用的包就夠了。
2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(shù)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(shù)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(huán)就可以發(fā)現(xiàn)，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(wǎng)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l(wèi)ist_item的 div里的，所以寫一個函數(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://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" onerror="picerr(this,'v')" src="//puui.qpic.cn/vcover_vt_pic/0/j3czmhisqin799rt1444885520.jpg/220"/> <img alt="VIP" class="mark_v" onerror="picerr(this)" src="//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://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(yōu)">主演：張國榮 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(huán)境中，可以方便地找出怎么用bs來提取他們的方法。我試用的一個技巧是，可以打開一個 spyder.py文件，在里面編寫需要的函數(shù)，將ipython的自動重載模組的選項(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)也會相應(yīng)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(shù)用bs中的兩個常用方法提取信息：
- 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(dǎo)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
3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(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(qiáng)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(diào)用 DataFrame的 to_html方法保存一個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)
4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是提供了一個命令行工具的（不是 git，是 git的一個擴(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。然后可能會被提示在Github上登記一個你的SSH公鑰（驗(yàn)證權(quán)限），如果沒有的話用 ssh-keygen生成一個就好了，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(chǎn)生一個python的template # 手動把.DS_Store加進(jìn)去
只用命令行，裝逼裝到爽
歡迎大家關(guān)注我的頭條號，私信“python"，學(xué)習(xí)資料包免費(fèi)分享給需要的朋友，另有python學(xué)習(xí)交流群，可以交流學(xué)習(xí)拓展人脈。
