題圖：Photo by ?brahim Hakk? U?man from Pexels

作者：yangrq1018 ? ? ?

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

做了一些小項(xiàng)目，用的技術(shù)和技巧會(huì)比較散比較雜，寫一個(gè)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(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

一、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)，簡單而且常用的包就夠了。

二、爬取影片信息

首先觀察電影頻道，發(fā)現(xiàn)是異步加載的?？梢杂肍irefox（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" 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="http://puui.qpic.cn/vcover_vt_pic/0/j3czmhisqin799rt1444885520.jpg/220"/>
<img alt="VIP" class="mark_v" onerror="picerr(this)" src="http://i.gtimg.cn/qqlive/images/mark/mark_5.png" srcset="http://i.gtimg.cn/qqlive/images/mark/[email protected] 2x"/>
<div class="figure_caption">div>
<div class="figure_score">9.6div>
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(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

三、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: 'Film link'.format(x))
    df['img_link'] = df['img_link'].apply(lambda x: ''.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)

四、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。