腾讯视频 Python 爬虫项目实战,看了都说好

每天早上8点20分,第一时间与你相约

每日英文

Starting today, every smile, the world in addition to the dead, are is too small.

从今天开始,每天微笑吧,世上除了生死,都是小事。

每日掏心话

最怕和自己在乎的人慢慢变远,变淡,变陌生的过程,真的是发自内心的疼。一见如故,再见陌路,有时候,有些人不需要说再见便已消失在你的生命里。

来自:yangrq1018 | 责编:乐乐

链接:segmentfault.com/a/1190000019421255

图片来自网络

正文

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:https://github.com/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:

其中 是请求页开始的位置, 是每页请求的数量, 是类型。在这里 指我们需要的"豆瓣好评"类型。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。

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 这个库来请求网页, 会请求第 页的元素,用 来解析 ,生成一个类似 ,可以很方便地查找我们需要的element的对象。我们返回一个 。每个电影条目是包含在一个叫list_item的 里的,所以写一个函数来帮助我们提取所有的这样的 。

我们遍历每一页,返回一个含有所有的被 过的条目元素的HTML的 。

这是其中的一部电影的HTML代码:

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 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 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:

这个 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。

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。

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。

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 。调用 的 方法保存一个HTML文件,注意要将 设置为False不然超链接不能被直接打开。

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 ,是 的一个扩展),叫做 。macOS用户可以这样安装

有许多比 更简练的语法,我们这里主要用

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 生成一个就好了,在Github的设置里把 的内容复制进去。

项目目录里,可能会有 和 这样你不想track的文件。手写一个 又太麻烦,有没有工具呢,肯定有的!Python有一个包

只用命令行,装逼装到爽。

欢迎在留言区留下你的观点,一起讨论提高。如果今天的文章让你有新的启发,学习能力的提升上有新的认识,欢迎转发分享给更多人。

猜你还想看

Tomcat在SpringBoot中是如何启动的

关注「程序员小乐」,收看更多精彩内容

嘿,你在看吗?

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20190905A0A11P00?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