深圳网站设计服务,南京一对一网站建设,域名历史查询工具,汕头网站外包做了一些小项目#xff0c;用的技术和技巧会比较散比较杂#xff0c;写一个小品文记录一下#xff0c;帮助熟悉。需求#xff1a;经常在腾讯视频上看电影#xff0c;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#xff0c;又…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。Python人工智能 - 一节课让你的效率提升10倍 - 创客学院直播室www.makeru.com.cn依赖需要如下Python包requestsbs4 - Beautiful souppandas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?_all1append1channelmovielistpage2offset{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 sort21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)# 豆瓣最佳类型DOUBAN_BEST_SORT 21NUM_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_size30, sortDOUBAN_BEST_SORT):url base_url.format(offsetpage_idx * page_size, page_sizepage_size, sortsort)res requests.get(url)soup bs4.BeautifulSoup(res.content.decode(utf-8), lxml)return soupdef 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findfind_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 objectsrel []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 VIPneed_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 ordersdict_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 scoredf.sort_values(byvqq_score, inplaceTrue, ascendingFalse)# Format linksdf[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 _sigdf.to_csv(vqq_douban_films.csv, indexFalse, encodingutf_8_sig)# Pickledf.to_pickle(vqq_douban_films.pkl)# HTML, render hyperlinkdf.to_html(vqq_douban_films.html, escapeFalse)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 hubhub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-ignoregit-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。
