腾讯视频 Python 爬虫项目实战 2021-07-31 16:58 853阅读 0赞 ![640?wx\_fmt=jpeg][640_wx_fmt_jpeg] 作者 | yangrq1018 原文 | segmentfault.com/a/1190000019421255 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 `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 `hub`有许多比 `git`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 `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。 **如何置顶、标星公众号?** ![640?][640] **推****荐****阅****读** ***1.*** ***2. *** ***3.*** ***4.*** ![640?][640 1] [640_wx_fmt_jpeg]: /images/20210731/2ab02c8408e041d88d49f1bd00ac70f2.png?wx_fmt=jpeg [640]: /images/20210731/1fdc175141e54e64bd6f14fa7a40bd33.png? [640 1]: /images/20210731/ef7a76c2f79b48159adc79754fdd2813.png?
相关 python爬虫爬取腾讯新闻 python爬虫爬取腾讯新闻 话不多说,直接上代码! import requests from bs4 import BeautifulSoup 红太狼/ 2021年07月27日 01:32/ 0 赞/ 526 阅读
相关 python爬虫爬取腾讯网招聘信息 python爬虫爬取腾讯网招聘信息 话不多说,直接上代码! from bs4 import BeautifulSoup import urllib2 朱雀/ 2021年07月26日 20:01/ 0 赞/ 466 阅读
相关 腾讯视频 Python 爬虫项目实战 ![640?wx\_fmt=jpeg][640_wx_fmt_jpeg] 作者 | yangrq1018 原文 | segmentfault.com/a/119 爱被打了一巴掌/ 2021年07月31日 16:58/ 0 赞/ 854 阅读
相关 Python - 通过requests实现腾讯新闻抓取爬虫 最近也是学习了一些爬虫方面的知识。以我自己的理解,通常我们用浏览器查看网页时,是通过浏览器向服务器发送请求,然后服务器响应以后返回一些代码数据,再经过浏览器解析后呈现出来。而爬 水深无声/ 2022年06月15日 12:09/ 0 赞/ 345 阅读
相关 Scrapy网络爬虫框架实战[以腾讯新闻网为例] 本博客为原创博客,仅供技术学习使用。不经允许禁止复制下来,传到百度文库等平台。 目录 引言 待爬的url 框架架构 items的编写 Spid 超、凢脫俗/ 2022年07月16日 01:22/ 0 赞/ 198 阅读
相关 kali安装腾讯视频 kali安装腾讯视频 下载地址 https://v.qq.com/download.htmllinux 安装 淡淡的烟草味﹌/ 2022年12月05日 12:05/ 0 赞/ 272 阅读
相关 用Python爬取腾讯视频弹幕 1.网页分析 本文以爬取《脱口秀大会 第3季》最后一期视频弹幕为例,首先通过以下步骤找到存放弹幕的真实url。 ![format_png][] 通过删减各参数,发 待我称王封你为后i/ 2022年12月16日 10:55/ 0 赞/ 220 阅读
相关 Python实战教程讲解:爬起腾讯课堂视频,优质课程随你挑选 本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理 以下文章来源于青灯编程 ,作者:清风 ![7f6e76 雨点打透心脏的1/2处/ 2022年12月30日 03:41/ 0 赞/ 98 阅读
相关 Python爬虫新手入门教学(七):爬取腾讯视频弹幕 前言 本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。 Python爬虫、数据分析、网站开发等案例教程视频免费在线观 末蓝、/ 2023年01月12日 01:47/ 0 赞/ 167 阅读
相关 小程序php调用腾讯视频,小程序里插入播放腾讯视频 ![9b4074cd24f0][] 效果图 在小程序内容管理后台只要在编辑器中直接输入腾讯视频的分享代码即可,如图: ![9b4074cd24f0][] 内容管理后台界 野性酷女/ 2023年01月15日 11:27/ 0 赞/ 286 阅读
还没有评论,来说两句吧...