摘要: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
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,广东医学院数字校园平台,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
1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。
2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:
base_url = 'https://v.qq.com/x/bu/pagesheet/list?_all=1Append=1channel=movielistpage=2offset={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.com/x/bu/pagesheet/list?_all=1append=1channel=movielistpage=2offset={offset}pagesize={page_size}sort={sort}'# 豆瓣最佳类型DOUBAN_BEST_SORT = 21NUM_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 p里的,所以写一个函数来帮助我们提取所有的这样的 p。
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 soupdef find_list_items(soup): return soup.find_all('p', 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:
<p __wind="" class="list_item"<a class="figure" data-float="j3czmhisqin799r" href="https://v.qq.com/x/cover/j3czmhisqin799r.html" tabindex="-1" target="_blank" title="霸王别姬"<img alt="霸王别姬" 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/mark_5@2x.png 2x"/<p class="figure_caption"</p<p class="figure_score"9.6</p</a<p 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="霸王别姬"霸王别姬</a<p 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</p</p<p 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</svg4671万</p</p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 p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,海王祭无弹窗,在里面编写需要的函数,嗯嗯好湿舔得再深点喷,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