爬虫+网站开发实例:电影票比价网

时常有同学会问我类似的问题:我已经学完了 Python 基础,也照着例子写过一点爬虫代码 / 了解过 django 的入门项目 / 看过数据分析的教程……然后就不知道要做什么了。接下来应该如何继续提升编程能力呢

我的答案很简单:

做项目

不要把“项目”想象得太复杂,觉得一定是那种收钱开发的才能称作项目(如果有这种项目当然会更好)。对于刚刚跨入编程世界的你来说,任何一个小项目都是好的开始。你所需要的,就是一双发现问题的眼睛。生活中工作中的一些小事情小麻烦,多想一步,是不是可以写一小段代码来解决。

一开始,或许你的解决方案很笨拙,很复杂,本来5分钟就能搞定的事情,你写代码却花了一个小时。但对你来说,此时的目的并不只是解决问题,而是这个过程本身。在折腾的过程中,你的经验才会增长。这是你单纯看教程所无法达到的,再好的教程也替代不了动手。(有时候会有人评论说,这功能直接用xxx就可以了,干嘛还要自己写代码。对此我不做评价,因为我知道他不是来学编程的。)

今天介绍的这个项目就源自生活中的一个场景:买电影票

当你打算周末出门看场电影的时候,就必然面临三个终极问题:

看什么?

什么时候看?

去哪儿看?

通常你只需要打开常用的购票App,选一部最近口碑不错的片子,去熟悉的影院看看有哪些场次就可以了。但有时你也会发现,同样一部电影,不远的两家影院,价格就差很多,不同的购票App也会因为促销活动之类有不同的优惠力度,一张票可能会相差几十元。但如果每次都去几个App把最近的排片和价格都浏览一遍,那也太麻烦了。于是就有了我们这个小项目:

电影票比价网

在我们这个网页上,会展示出当前热映的电影。进入每部电影,选择城市区域影院日期,就可以看到最近的排片时间和不同渠道的价格。目前,我们是从糯米淘票票时光网三个渠道获取价格来做演示。

实现技术

本项目是对爬虫和Web网站的综合运用,适合已经有掌握python基础,并且对此有一些了解的同学作为练手项目。涉及到模块主要是:

Django(1.10)

requests

bs4

python-Levenshtein(用来匹配不同渠道的影院信息)

代码结构

项目主要有三块:

douban_movie

使用豆瓣 api 每日更新上映的影片列表。

movie_tickets

项目的核心部分,用来处理影院信息和排名信息的抓取。

django

项目本身是一个网站,整体是在 django 的框架之中。

开发思路

使用爬虫爬取各电影票网站所有的电影院链接,作为基本的数据保存下来

使用豆瓣 API 获取当日上映的电影信息,并每天更新

django 显示电影信息,提供给用户选择电影院的接口

将影片和影院信息发送到 django 后台进行查询,爬取对应的排片信息显示给用户

代码片段

# 获取淘票票某地区某电影院某影片价格#

1. 根据查询条件获取影院 id#

2. 根据影院 id 获取该影院正在上映电影#

3. 获取 查询电影的排片时间表链接#

4. 拿到价格

defget_movie_tickets(self, *args):

assertlen(args) ==4,'not enough parameters \n type in -h for help'movie_name = args[3] mt = TaoppDt() cinema_url = mt.search(*args[:3])

assertcinema_url,'未查询到该电影院'pattern = re.compile(r'cinemaId=(\d+)') cinemaid = re.findall(pattern, cinema_url)[] film_url ='https://dianying.taobao.com/cinemaDetailSchedule.htm?cinemaId='+ str(cinemaid) content = self.rq.req_url(film_url)

assertcontent,'请求失败,请检查 /utils/req.py 中 req_url 函数是否工作正常'soup = bs4.BeautifulSoup(content,'lxml') soup_film = soup.find('a', text=re.compile(movie_name))

assertsoup_film,'未查询到该电影'film_param = soup_film['data-param']

returnself._get_ticket_info(film_param)

其他说明

项目为了有一个较好的交互效果,在页面上用到了不少Ajax请求。这需要有一定的前端 js 基础。对网页前端不熟悉的同学可暂且略过,重点关注后端实现。

不同渠道对于同一家影院的名称很可能有出入,因此这里使用了python-Levenshtein来对文本进行匹配。

代码里在抓取时有用到我们的另一个项目:IP代理池(参见听说你好不容易写了个爬虫,结果没抓几个就被封了?)。但因为服务器资源有限,有时拿不到可用的代理。各位自己电脑上运行代码时,可尝试把 requests 的 proxies 参数去除。

作为一个演示项目,必然存在一些bug(当然商业项目也不可能没有bug),加上爬虫的程序极有可能因为对方网站更新而失效。所以如果遇到问题,欢迎大家给我们报错甚至是在 github 上提交修改。每次有关项目文章发布,都会在短时间内流量较大,导致网站响应慢甚至无法响应。如果有此情况可晚些再尝试。

代码下载

完整的代码和详细说明已上传 Github,获取下载地址请在公众号(Crossin的编程教室)里回复电影票

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180316B0YPXU00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券