python爬取vip腾讯（腾讯Python爬虫项目实战）

文 | yangrq1018 编辑 | EarlGrey

推荐 | 编程派公众号（ID：codingpy）

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。

项目地址：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：

1. base_url = '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。

1. # 让Pandas完整到处过长的URL，后面会需要

2. pd.set_option('display.max_colwidth', -1)

3. base_url = 'v.qq/x/bu/pagesheet/list?_all=1&append=1&channel=movie&listpage=2&offset={offset}&pagesize={page_size}&sort={sort}'

4. # 豆瓣最佳类型

5. DOUBAN_BEST_SORT = 21

6. 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Beautifulsoup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。

1. def get_soup(page_idx, page_size=30, sort=DOUBAN_BEST_SORT):

2. url = base_url.format(offset=page_idx * page_size, page_size=page_size, sort=sort)

3. res = requests.get(url)

4. soup = bs4.BeautifulSoup(res.content.decode('utf-8'), 'lxml')

5. return soup

6. def find_list_items(soup):

7. 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。

1. def douban_films:

2. rel =

3. for p in range(NUM_PAGE_DOUBAN):

4. print('Getting page {}'.format(p))

5. soup = get_soup(p)

6. rel = find_list_items(soup)

7. return rel

这是其中的一部电影的HTML代码：

1. <div __wind="" class="list_item">

2. <a class="figure" data-float="j3czmhisqin799r" href="v.qq/x/cover/j3czmhisqin799r.html" tabindex="-1" target="_blank" title="霸王别姬">

3. <img alt="霸王别姬" class="figure_pic" onerror="picerr(this,'v')" src="http://img.studyofnet.com//puui.qpic/vcover_vt_pic/0/j3czmhisqin799rt1444885520.jpg/220"/>

4. <img alt="VIP" class="mark_v" onerror="picerr(this)" src="http://img.studyofnet.com//i.gtimg/qqlive/images/mark/mark_5.png" srcset="//i.gtimg/qqlive/images/mark/mark_5@2x.png 2x"/>

5. <div class="figure_caption"></div>

6. <div class="figure_score">9.6</div>

7. </a>

8. <div class="figure_detail figure_detail_two_row">

9. <a class="figure_title figure_title_two_row bold" href="v.qq/x/cover/j3czmhisqin799r.html" target="_blank" title="霸王别姬">霸王别姬</a>

10. <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>

11. </div>

12. <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>

13. </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：

1. %load_ext autoreload

2. %autoreload 2 # Reload all modules every time before executing Python code

3. %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。

1. def parse_films(films):

2. '''films is a list of `bs4.element.Tag` objects'''

3. rel =

4. for i, film in enumerate(films):

5. title = film.find('a', class_="figure_title")['title']

6. print('Parsing film %d: ' % i, title)

7. link = film.find('a', class_="figure")['href']

8. img_link = film.find('img', class_="figure_pic")['src']

9. # test if need VIP

10. need_vip = bool(film.find('img', class_="mark_v"))

11. score = getattr(film.find('div', class_='figure_score'), 'text', None)

12. if score: score = float(score)

13. cast = film.find('div', class_="figure_desc")

14. if cast:

15. cast = cast.get('title', None)

16. play_amt = film.find('div', class_="figure_count").get_text

17. # db_score, db_link = search_douban(title)

18. # Store key orders

19. dict_item = OrderedDict([

20. ('title', title),

21. ('vqq_score', score),

22. # ('db_score', db_score),

23. ('need_vip', need_vip),

24. ('cast', cast),

25. ('play_amt', play_amt),

26. ('vqq_play_link', link),

27. # ('db_discuss_link', db_link),

28. ('img_link', img_link),

29. ])

30. rel.append(dict_item)

31. 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。

1. if __name__ == '__main__':

2. df = DataFrame(parse_films(douban_films))

3. # Sorted by score

4. df.sort_values(by="vqq_score", inplace=True, ascending=False)

5. # Format links

6. df['vqq_play_link'] = df['vqq_play_link'].apply(lambda x: '<a href="{0}">Film link</a>'.format(x))

7. df['img_link'] = df['img_link'].apply(lambda x: '<img src="http://img.studyofnet.com{0}">'.format(x))

8. # Chinese characters in Excel must be encoded with _sig

9. df.to_csv('vqq_douban_films.csv', index=False, encoding='utf_8_sig')

10. # Pickle

11. df.to_pickle('vqq_douban_films.pkl')

12. # HTML, render hyperlink

13. 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

1. brew install hub

hub有许多比git更简练的语法，我们这里主要用

1. 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

1. pip install git-ignore

2. git-ignore python # 产生一个python的template

3. # 手动把.DS_Store加进去

只用命令行，装逼装到爽。

来源：segmentfault/a/1190000019421255

回复下方「关键词」，获取优质资源

回复关键词「 pybook03」，立即获取主页君与小伙伴一起翻译的《Think Python 2e》电子版

回复关键词「pybooks02」，立即获取 O'Reilly 出版社推出的免费 Python 相关电子书合集

回复关键词「书单02」，立即获取主页君整理的 10 本 Python 入门书的电子版

印度小伙写了套深度学习教程，Github上星标已经5000

GitHub热榜第四！这套Python机器学习课，免费获取还易吸收

《流畅的 Python》到底好在哪？

如何系统化学习 Python ？

GitHub标星2.6万！Python算法新手入门大全

使用 Vue.js 和 Flask 实现全栈单页面应用

Python 实现一个自动化翻译和替换的工具

使用 Python 制作属于自己的 PDF 电子书

12步轻松搞定Python装饰器

200 行代码实现 2048 游戏

题图：pexels，CC0 授权。

,