歡迎光臨
每天分享高質量文章

騰訊視頻 Python 爬蟲專案實戰

(點擊上方快速關註並設置為星標,一起學Python)

作者: yangrq1018      原文:
https://segmentfault.com/a/1190000019421255

 

做了一些小專案,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麵挑電影。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。

專案地址:https://github.com/yangrq1018/vqq-douban-film

依賴

需要如下Python包:

  • requests
  • bs4 – Beautiful soup
  • pandas

就這些,不需要複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,發現是異步加載的。可以用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是型別。在這裡 sort=21指我們需要的”豆瓣好評”型別。 pagesize不能大於30,大於30也只會傳回三十個元素,低於30會傳回指定數量的元素。

# 讓Pandas完整到處過長的URL,後面會需要
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}'

# 豆瓣最佳型別
DOUBAN_BEST_SORT = 21

NUM_PAGE_DOUBAN = 167

寫一個小小的迴圈就可以發現,豆瓣好評這個型別總共有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的物件。我們傳回一個 list。每個電影條目是包含在一個叫list_item的 div里的,所以寫一個函式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,傳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:

<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/[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”>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,是否需要會員和播放量都在這個 div中。在ipython這樣的interactive環境中,可以方便地找出怎麼用bs來提取他們的方法。我試用的一個技巧是,可以打開一個 spyder.py檔案,在裡面編寫需要的函式,將ipython的自動多載模組的選項打開,然後就可以在console里debug之後將代碼複製到檔案里,然後ipython中的函式也會相應的更新。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的自動多載:

%load_ext autoreload
%autoreload 2 # Reload all modules every time before executing Python code
%autoreload 0 # Disable automatic reloading

這個 parse_films函式用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,然後key的順序會被記住。這個在之後我們匯出為pandas DataFrame的時候很有用。

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

匯出

最後,我們呼叫寫好的函式,在主程式中運行。

被解析好,list of dictionaries格式的物件,可以直接傳給DataFrame的constructor。按照評分排序,最高分在前面,然後將播放鏈接轉換成HTML的鏈接標簽,更加美觀而且可以直接打開。

註意,pandas生成的csv檔案一直和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,可以儲存Python的物件為檔案,再從檔案中加載Python的物件。我們將我們的DataFrame儲存為 .pkl。呼叫 DataFrameto_html方法儲存一個HTML檔案,註意要將 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: '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)

專案管理

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

那麼,其實Github是提供了一個命令列工具的(不是 git,是 git的一個擴展),叫做 hub。macOS用戶可以這樣安裝

brew install hub

hub有許多比 git更簡練的語法,我們這裡主要用

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

來直接從命令列創建repo,是不是很酷!根本不用打開瀏覽器。然後可能會被提示在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的內容複製進去。

專案目錄里,可能會有 __pycache__.DS_Store這樣你不想track的檔案。手寫一個 .gitignore又太麻煩,有沒有工具呢,肯定有的!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

只用命令列,裝逼裝到爽。

赞(0)

分享創造快樂