共计 5298 个字符，预计需要花费 14 分钟才能阅读完成。
腾讯视频 - 电影板块小爬虫
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。
Github repo
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：
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=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 Beautiful soup 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.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"/>
<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 hubhub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-ignore
git-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。
