作者： yangrq1018    

做了一些小項目，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：經常在騰訊視頻上看電影，在影片庫里有一個'豆瓣好評'板塊。我一般會在這個條目下面挑電影。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'里的電影都爬下來整理到一個表中，方便選片。

項目地址：https://github.com/yangrq1018/vqq-douban-film

依賴

需要如下Python包：

• requests

• bs4 - Beautiful soup

• pandas

就這些，不需要復雜的自動化爬蟲架構，簡單而且常用的包就夠了。

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是這個格式的：

其中 offset是請求頁開始的位置， pagesize是每頁請求的數(shù)量， sort是類型。在這里 sort=21指我們需要的'豆瓣好評'類型。 pagesize不能大于30，大于30也只會返回三十個元素，低于30會返回指定數(shù)量的元素。

# 讓Pandas完整到處過長的URL，后面會需要
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

寫一個小小的循環(huán)就可以發(fā)現(xiàn)，豆瓣好評這個類型總共有167頁，每頁三十個元素。

我們使用 requests這個庫來請求網頁， get_soup會請求第 page_idx頁的元素，用 Beautifulsoup來解析 response.content，生成一個類似 DOM，可以很方便地查找我們需要的element的對象。我們返回一個 list。每個電影條目是包含在一個叫l(wèi)ist_item的 div里的，所以寫一個函數(shù)來幫助我們提取所有的這樣的 div。

我們遍歷每一頁，返回一個含有所有的被 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：

不難發(fā)現(xiàn)，霸王別姬這部電影，名稱、播放地址、封面、評分、主演，是否需要會員和播放量都在這個 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。我試用的一個技巧是，可以打開一個 spyder.py文件，在里面編寫需要的函數(shù)，將ipython的自動重載模組的選項打開，然后就可以在console里debug之后將代碼復制到文件里，然后ipython中的函數(shù)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(shù)用bs中的兩個常用方法提取信息：

• find

• find_all

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

OrderedDict可以接受一個由(key, value)組成的list，然后key的順序會被記住。這個在之后我們導出為pandas DataFrame的時候很有用。

導出

最后，我們調用寫好的函數(shù)，在主程序中運行。

被解析好，list of dictionaries格式的對象，可以直接傳給DataFrame的constructor。按照評分排序，最高分在前面，然后將播放鏈接轉換成HTML的鏈接標簽，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，在有中文字符的時候會亂碼。解決方法是選擇utf_8_sig這個encoding，就可以讓excel正常解碼了。

Pickle是一個Python十分強大的serialization庫，可以保存Python的對象為文件，再從文件中加載Python的對象。我們將我們的DataFrame保存為 .pkl。調用 DataFrame的 to_html方法保存一個HTML文件，注意要將 escape 設置為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: '<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Github是提供了一個命令行工具的（不是 git，是 git的一個擴展），叫做 hub。macOS用戶可以這樣安裝

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。然后可能會被提示在Github上登記一個你的SSH公鑰（驗證權限），如果沒有的話用 ssh-keygen生成一個就好了，在Github的設置里把 .pub的內容復制進去。

項目目錄里，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，肯定有的！Python有一個包

只用命令行，裝逼裝到爽。