騰訊視頻（電影）爬蟲練手

騰訊視頻-電影板塊小爬蟲

作了一些小項目，用的技術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：常常在騰訊視頻上看電影，在影片庫裏有一個"豆瓣好評"板塊。我通常會在這個條目下面挑電影。可是電影不少，又缺少索引，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好久。因此用爬蟲將"豆瓣好評"裏的電影都爬下來整理到一個表中，方便選片。

Github repo

依賴

須要以下Python包：

• requests
• bs4 - Beautiful soup
• pandas

就這些，不須要複雜的自動化爬蟲架構，簡單並且經常使用的包就夠了。

爬取影片信息

首先觀察電影頻道，發現是異步加載的。能夠用Firefox（Chrome也行）的inspect中的network這個tab來篩選查看可能的api接口。很快發現接口的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是每頁請求的數量，sort是類型。在這裏sort=21指咱們須要的"豆瓣好評"類型。pagesize不能大於30，大於30也只會返回三十個元素，低於30會返回指定數量的元素。

# 讓Pandas完整處處過長的URL，後面會須要
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

寫一個小小的循環就能夠發現，豆瓣好評這個類型總共有167頁，每頁三十個元素。

咱們使用requests這個庫來請求網頁，get_soup會請求第page_idx頁的元素，用Beautiful soup來解析response.content，生成一個相似DOM，能夠很方便地查找咱們須要的element的對象。咱們返回一個list。每一個電影條目是包含在一個叫list_item的div裏的，因此寫一個函數來幫助咱們提取全部的這樣的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')

咱們遍歷每一頁，返回一個含有全部的被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/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="霸王別姬">霸王別姬</a>
<div class="figure_desc" title="主演：張國榮 張豐毅 鞏俐 葛優">主演：張國榮 張豐毅 鞏俐 葛優</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>

不難發現，霸王別姬這部電影，名稱、播放地址、封面、評分、主演，是否須要會員和播放量都在這個div中。在ipython這樣的interactive環境中，能夠方便地找出怎麼用bs來提取他們的方法。我試用的一個技巧是，能夠打開一個spyder.py文件，在裏面編寫須要的函數，將ipython的自動重載模組的選項打開，而後就能夠在console裏debug以後將代碼複製到文件裏，而後ipython中的函數也會相應的更新。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函數用bs中的兩個經常使用方法提取信息：

• find
• find_all

由於豆瓣的API已經關閉了檢索功能，爬蟲又會被反爬蟲檢測到，原本想檢索到豆瓣的評分添加上去這個功能就放棄了。

OrderedDict能夠接受一個由(key, value)組成的list，而後key的順序會被記住。這個在以後咱們導出爲pandas DataFrame的時候頗有用。

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

導出

最後，咱們調用寫好的函數，在主程序中運行。

被解析好，list of dictionaries格式的對象，能夠直接傳給DataFrame的constructor。按照評分排序，最高分在前面，而後將播放連接轉換成HTML的連接標籤，更加美觀並且能夠直接打開。

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，就可讓excel正常解碼了。

Pickle是一個Python十分強大的serialization庫，能夠保存Python的對象爲文件，再從文件中加載Python的對象。咱們將咱們的DataFrame保存爲.pkl。調用DataFrame的to_html方法保存一個HTML文件，注意要將escape 設置爲False否則超連接不能被直接打開。

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)

項目管理

代碼部分就是這樣。那麼寫完了代碼，就要把它歸檔保存，也便於分析。選擇放在Github上。

那麼，其實Github是提供了一個命令行工具的（不是git，是git的一個擴展），叫作hub。macOS用戶能夠這樣安裝

brew install hub

hub有許多比git更簡練的語法，咱們這裏主要用

hub create -d "Create repo for our proj" vqq-douban-film

來直接從命令行建立repo，是否是很酷！根本不用打開瀏覽器。而後可能會被提示在Github上登記一個你的SSH公鑰（驗證權限），若是沒有的話用ssh-keygen生成一個就行了，在Github的設置裏把.pub的內容複製進去。

項目目錄裏，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，確定有的！Python有一個包

pip install git-ignore
git-ignore python #    產生一個python的template
# 手動把.DS_Store加進去

只用命令行，裝逼裝到爽。