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学习交流群：1004391443，这里是python学习者聚集地，有大牛答疑，有资源共享！小编也准备了一份python学习资料，有想学习python编程的，或是转行，或是大学生，还有工作中想提升自己能力的，正在学习的小伙伴欢迎加入学习。

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：

<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

"霸王别姬"

<img

alt

"霸王别姬"

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"

9.6
</div>
</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

"霸王别姬"

霸王别姬
</a>
<div

class

"figure_desc"

title

"主演：张国荣 张丰毅 巩俐 葛优"

主演：张国荣 张丰毅 巩俐 葛优
</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>
4671万
</div>
</div>
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:
'<a href="{0}">Film link</a>'
.format(x))
df[
'img_link'
] = df[
'img_link'
].apply(
lambda
x:
'<img src="{0}">'
.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
)
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。