知識星球（點選上方快速關註並設定為星標，一起學Python）
作者： yangrq1018 原文：
https://segmentfault.com/a/1190000019421255
做了一些小專案，用的技術和技巧會比較散比較雜，寫一個小品文記錄一下，幫助熟悉。
需求：經常在騰訊影片上看電影，在影片庫裡有一個”豆瓣好評”板塊。我一般會在這個條目下麵挑電影。但是電影很多，又缺乏索引，只能不停地往下來，讓js載入更多的條目。然而前面的看完了，每次找新的片就要拉很久。所以用爬蟲將”豆瓣好評”裡的電影都爬下來整理到一個表中，方便選片。
專案地址：https://github.com/yangrq1018/vqq-douban-film
依賴
需要如下Python包：
- requests
- bs4 – Beautiful soup
- pandas
就這些，不需要複雜的自動化爬蟲架構，簡單而且常用的包就夠了。
爬取影片資訊
首先觀察電影頻道，發現是非同步載入的。可以用Firefox（Chrome也行）的inspect中的network這個tab來篩選檢視可能的api介面。很快發現介面的URL是這個格式的：
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是請求頁開始的位置， pagesize是每頁請求的數量， sort是型別。在這裡 sort=21指我們需要的”豆瓣好評”型別。 pagesize不能大於30，大於30也只會傳回三十個元素，低於30會傳回指定數量的元素。
# 讓Pandas完整到處過長的URL，後面會需要
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}'
# 豆瓣最佳型別
DOUBAN_BEST_SORT = 21
NUM_PAGE_DOUBAN = 167寫一個小小的迴圈就可以發現，豆瓣好評這個型別總共有167頁，每頁三十個元素。
我們使用 requests這個庫來請求網頁， get_soup會請求第 page_idx頁的元素，用 Beautifulsoup來解析 response.content，生成一個類似 DOM，可以很方便地查詢我們需要的element的物件。我們傳回一個 list。每個電影條目是包含在一個叫list_item的 div裡的，所以寫一個函式來幫助我們提取所有的這樣的 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')我們遍歷每一頁，傳回一個含有所有的被 bs4過的條目元素的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這是其中的一部電影的HTML程式碼：
<div __wind="" class="list_item">
<a class="figure" data-float="j3czmhisqin799r" href="https://v.qq.com/x/cover/j3czmhisqin799r.html" tabindex="-1" target="_blank" title="霸王別姬">
<img alt="霸王別姬" class="figure_pic" onerror="picerr(this,'v')" src="//puui.qpic.cn/vcover_vt_pic/0/j3czmhisqin799rt1444885520.jpg/220"/>
<img alt="VIP" class="mark_v" onerror="picerr(this)" src="//i.gtimg.cn/qqlive/images/mark/mark_5.png" srcset="//i.gtimg.cn/qqlive/images/mark/mark_5@2x.png 2x"/>
<div class="figure_caption">div><div class=“figure_score”>9.6div>
a>
<div class=“figure_detail figure_detail_two_row”>
<a class=“figure_title figure_title_two_row bold” href=“https://v.qq.com/x/cover/j3czmhisqin799r.html” target=“_blank” title=“霸王別姬”>霸王別姬a>
<div class=“figure_desc” title=“主演：張國榮 張豐毅 鞏俐 葛優”>主演：張國榮 張豐毅 鞏俐 葛優div>
div>
<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>4671萬div>
div>
不難發現，霸王別姬這部電影，名稱、播放地址、封面、評分、主演，是否需要會員和播放量都在這個 div中。在ipython這樣的interactive環境中，可以方便地找出怎麼用bs來提取他們的方法。我試用的一個技巧是，可以開啟一個 spyder.py檔案，在裡面編寫需要的函式，將ipython的自動多載模組的選項開啟，然後就可以在console裡debug之後將程式碼複製到檔案裡，然後ipython中的函式也會相應的更新。這樣的好處是會比在ipython中改動程式碼方便許多。具體如何開啟ipython的自動多載：
%load_ext autoreload
%autoreload 2 # Reload all modules every time before executing Python code
%autoreload 0 # Disable automatic reloading這個 parse_films函式用bs中的兩個常用方法提取資訊：
- find
- find_all
因為豆瓣的API已經關閉了檢索功能，爬蟲又會被反爬蟲檢測到，本來想檢索到豆瓣的評分新增上去這個功能就放棄了。
OrderedDict可以接受一個由(key, value)組成的list，然後key的順序會被記住。這個在之後我們匯出為pandas DataFrame的時候很有用。
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匯出
最後，我們呼叫寫好的函式，在主程式中執行。
被解析好，list of dictionaries格式的物件，可以直接傳給DataFrame的constructor。按照評分排序，最高分在前面，然後將播放連結轉換成HTML的連結標簽，更加美觀而且可以直接開啟。
註意，pandas生成的csv檔案一直和excel有相容性問題，在有中文字元的時候會亂碼。解決方法是選擇utf_8_sig這個encoding，就可以讓excel正常解碼了。
Pickle是一個Python十分強大的serialization庫，可以儲存Python的物件為檔案，再從檔案中載入Python的物件。我們將我們的DataFrame儲存為 .pkl。呼叫 DataFrame的 to_html方法儲存一個HTML檔案，註意要將 escape 設定為False不然超連結不能被直接開啟。
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: '
'.format(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)專案管理
程式碼部分就是這樣。那麼寫完了程式碼，就要把它歸檔儲存，也便於分析。選擇放在Github上。
那麼，其實Github是提供了一個命令列工具的（不是 git，是 git的一個擴充套件），叫做 hub。macOS使用者可以這樣安裝
brew install hubhub有許多比 git更簡練的語法，我們這裡主要用
hub create -d "Create repo for our proj" vqq-douban-film來直接從命令列建立repo，是不是很酷！根本不用開啟瀏覽器。然後可能會被提示在Github上登記一個你的SSH公鑰（驗證許可權），如果沒有的話用 ssh-keygen生成一個就好了，在Github的設定裡把 .pub的內容複製進去。
專案目錄裡，可能會有 __pycache__和 .DS_Store這樣你不想track的檔案。手寫一個 .gitignore又太麻煩，有沒有工具呢，肯定有的！Python有一個包
pip install git-ignore
git-ignore python # 產生一個python的template
# 手動把.DS_Store加進去只用命令列，裝逼裝到爽。
朋友會在“發現-看一看”看到你“在看”的內容