腾讯视频 Python 爬虫项目实战 ！

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：10049144
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0，大于0也只会返回三十个元素，低于0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(	_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DOUBA_BEST_SORT = 21
UM_PAGE_DOUBA = 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 ，生成一个类似 DOM，可以很方便地查我们需要的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=0, sort=DOUBA_BEST_SORT):    url = base_url.format(offset=page_idx * page_size,     page_size=page_size, sort=sort)    res = requests.get(url)    soup = bs4.BeautifulSoup(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(UM_PAGE_DOUBA):        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=jczmhisqin799r href=https://v.qq/x/cover/jczmhisqin799r.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/vcover_vt_pic/0/jczmhisqin799rt1444885520.jpg/220/><img alt=VIP class=mark_v onerror=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/jczmhisqin799r.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cole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 `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	, one)        if score: score = float(score)        cast = film.find(	div	, class_=figure_desc)        if cast:            cast = cast.get(	title	, one)        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ctructor。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    _csv(	vqq_douban_	, index=False, encoding=	utf_8_sig	)    # Pickle    _pickle(	vqq_douban_films.pkl	)    # HTML, render hyperlink    _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 -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，装到爽。