python爬取vip腾讯(腾讯Python爬虫项目实战) | 您所在的位置:网站首页 › javascript爬虫好用 巨量http 优质 › python爬取vip腾讯(腾讯Python爬虫项目实战) |
python爬取vip腾讯(腾讯Python爬虫项目实战)
坏掉的玩偶 2023-03-26 15:42:25 收藏 赞 分享 分享到:
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: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:
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。
# 让Pandas完整到处过长的URL,后面会需要 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}' # 豆瓣最佳类型 DOUBAN_BEST_SORT = 21 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。
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。
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 这是其中的一部电影的HTML代码:
9.6
霸王别姬 主演:张国荣 张丰毅 巩俐 葛优
4671万
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:
%load_ext autoreload %autoreload 2 # Reload all modules every time before executing Python code %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。
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 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。
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: ' # 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) 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
brew install hub hub有许多比git更简练的语法,我们这里主要用
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
pip install git-ignore git-ignore python # 产生一个python的template # 手动把.DS_Store加进去 只用命令行,装逼装到爽。 来源:https://segmentfault.com/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。 , 展开全文免责声明:本文仅代表文章作者的个人观点,与本站无关。其原创性、真实性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容文字的真实性、完整性和原创性本站不作任何保证或承诺,请读者仅作参考,并自行核实相关内容。投诉邮箱:[email protected] |
CopyRight 2018-2019 实验室设备网 版权所有 |