人生苦短，我用 Python
前文传送门：
小白学 Python 爬虫（1）：开篇
小白学 Python 爬虫（2）：前置准备（一）基本类库的安装
小白学 Python 爬虫（3）：前置准备（二）Linux基础入门
小白学 Python 爬虫（4）：前置准备（三）Docker基础入门
小白学 Python 爬虫（5）：前置准备（四）数据库基础
小白学 Python 爬虫（6）：前置准备（五）爬虫框架的安装
小白学 Python 爬虫（7）：HTTP 基础
小白学 Python 爬虫（8）：网页基础
小白学 Python 爬虫（9）：爬虫基础
小白学 Python 爬虫（10）：Session 和 Cookies
小白学 Python 爬虫（11）：urllib 基础使用（一）
小白学 Python 爬虫（12）：urllib 基础使用（二）
小白学 Python 爬虫（13）：urllib 基础使用（三）
小白学 Python 爬虫（14）：urllib 基础使用（四）
小白学 Python 爬虫（15）：urllib 基础使用（五）
小白学 Python 爬虫（16）：urllib 实战之爬取妹子图
小白学 Python 爬虫（17）：Requests 基础使用
小白学 Python 爬虫（18）：Requests 进阶操作
小白学 Python 爬虫（19）：Xpath 基操
小白学 Python 爬虫（20）：Xpath 进阶
小白学 Python 爬虫（21）：解析库 Beautiful Soup（上）
小白学 Python 爬虫（22）：解析库 Beautiful Soup（下）
小白学 Python 爬虫（23）：解析库 pyquery 入门
引言
从本篇的标题各位同学应该已经猜到了，本篇又到了实战环节~~~
已经快过完了，按照本文推送的时间预估，到 应该还有十来天的时间，又到了各个公司出各种 榜单的时间，小编这里呢，就先帮豆瓣搞一个 电影评分排行榜，希望豆瓣官方看到不要打我。
郑重声明：本文仅限用作学习等目的。
分析
还是先看一下我们要爬取的页面：
链接：
/explore#!type=movie&tag=%E7%83%AD%E9%97%A8&sort=time&page_limit=20&page_start=0
思维敏捷的同学看着上面这个链接可能就已经发现了什么，对的，这个链接上已经有分页信息了。
page_limit应该是一页的元素，page_start应该是这一页开始的一个序号。
我们往下翻一下页面，看看下面有没有下一页之类的按钮，翻几页看下地址栏的变化是否和我们推测的一致。
emmmmmmmmm
小编猜错了，这里不是下一页，是加载更多，不过问题不大，一个意思，先点一下我们看下地址栏：
/explore#!type=movie&tag=%E7%83%AD%E9%97%A8&sort=time&page_limit=20&page_start=20
和前面一个地址作对比可以发现，只有最后的page_start参数有变化，说明我们刚才上面的猜测没有问题。
加载更多多点几次，可以发现，这里的电影是可以一直往后排的，可以加载到 年的数据：
emmmmmmmmm，有点尴尬，这个数据竟然手动翻出来了，理论上是应该程序自己判断的。
这里的悬浮层上已经显示了我们想要的数据，接下来的问题是，我们如何获得这个悬浮层上的数据，直接从 DOM 节点来取可以么？
显然是不行的，不信可以自己动手试试，每个电影的悬浮层其实都是同一个 DOM 节点，只是里面填充的数据不同，显然这个 DOM 节点中的数据是鼠标挪上去的时候才动态加载出来的。
那么我们从哪里能看到加载数据的来源呢？
如果上一篇实战有仔细看实操过的同学应该已经想到了， Chrome 浏览器开发者模式中的 Network 标签。
没错，就是这里，我们看一下：
首先选择 Network 标签，然后在下面的标签上选择 XHR 。然后鼠标在不同的电影上移动，可以看到鼠标每次移到一张图片上，就会有一个请求，我们看一下这个请求的响应信息：
{"r":0,"subject":{"episodes_count":"","star":"40","blacklisted":"available","title":"我身体里的那个家伙 내안의 그놈 ()","url":"https:\/\/\/subject\/27088750\/","collection_status":"","rate":"7.2","short_comment":{"content":"男主真的他妈帅 但是我真的接受不了和罗美兰打k ","author":"SOUL"},"is_tv":false,"subtype":"Movie","directors":["姜孝镇"],"actors":["郑振永","朴圣雄","罗美兰","李垂珉","李俊赫","金光奎","闵智雅","尹敬浩","金贤穆","朴庆惠","赵贤荣","尹颂雅","智燦","金凡振 ","郑元昌","孙光业","黄仁俊","Dae-han Kim"],"duration":"122分钟","region":"韩国","playable":false,"id":"27088750","types":["剧情","喜剧"],"release_year":""}}
那么我们剩下要关心的就是这个请求的地址了，先看下这个请求的地址：
/j/subject_abstract?subject_id=27088750
这里看起来好像只有最后一个subject_id参数是变化的，其他的都是定死的，多看几个请求检验下我们的推测，小编这里就不检验了，免得嫌弃说小编水内容。
还有一个问题，最后这个subject_id的数据从哪里来，好像没见过的，小编凭借自己多年丰富的开发经验，猜测这个数据应该是在页面的上的。我们接着看下这个电影的页面 DOM 结构。
看到了没，这里的数据是来源于 DOM 结构上的data-id属性。
PS：更新一件事情，一件异常尴尬的事情，小编偶然发现，点击加载更多的时候，实际上是对应了一个 API 接口，这个接口的访问地址如下：
/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&sort=time&page_limit=20&page_start=20
这个在 NetWork 中有看到，如下图：
从图中可以看到，这里直接返回了 JSON 数据，并且这个 JSON 数据返回后，顺便还修改了地址栏的数据。
这里得到的数据如下：
{"subjects":[{"rate":"6.7","cover_x":1382,"title":"在无爱之森呐喊","url":"/subject/30337760/","playable":false,"cover":"/view/photo/s_ratio_poster/public/p2571542101.jpg","id":"30337760","cover_y":2048,"is_new":false}]}
因为整体数据有 20 条，太长了放不下，小编这里仅保留了一条数据。
编码
有了上面的分析，其实写代码就已经很简单了，我们所有需要用到的数据都可以直接从 API 接口中直接获取到 JSON 的数据。
屡一下思路，首先我们从
/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&sort=time&page_limit=20&page_start=0
这个链接中直接获取电影的相关数据，这里对我们有用的数据是id，获取到这个id后，再从
/j/subject_abstract?subject_id=27088750
这个链接中获取到电影的详情数据，用上面得到的id替换这里的subject_id。
好像没页面 DOM 解析啥事儿了，哎，真的是一次失败的选题，下次再也不选豆瓣了。
代码内容有些简单，小编直接贴出来吧，数据还是在 Mysql 中开了一张表做存放：
import requestsimport pymysql# 数据库连接def connect():conn = pymysql.connect(host='localhost',port=3306,user='root',password='password',database='test',charset='utf8mb4')# 获取操作游标cursor = conn.cursor()return {"conn": conn, "cursor": cursor}connection = connect()conn, cursor = connection['conn'], connection['cursor']sql_insert = "insert into douban(id, title, rate, short_comment, duration, subtype, region, release_year, create_date) values (%(id)s, %(title)s, %(rate)s, %(short_comment)s, %(duration)s, %(subtype)s, %(region)s, %(release_year)s, now())"headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'}flag = Truedef get_movie_list(page_start):r = requests.get('/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&sort=time&page_limit=20&page_start=' + str(page_start), headers = headers)for item in r.json()['subjects']:get_movie_info(item['id'])def get_movie_info(subject_id):r = requests.get('/j/subject_abstract?subject_id=' + str(subject_id), headers=headers)subject = r.json()['subject']if subject['release_year'] != '':global flagflag = Falsereturnprint(subject)insert_data = {"id": subject['id'],"title": subject['title'],"rate": subject['rate'],"short_comment": subject['short_comment']['content'],"duration": subject['duration'],"subtype": subject['subtype'],"region": subject['region'],"release_year": subject['release_year']}cursor.execute(sql_insert, insert_data)mit()print(subject['title'], '写入完成')def main():num = 0while(flag):get_movie_list(num)num += 20if __name__ == '__main__':main()
小结
最后小编做了一下简单的统计，截止目前， 豆瓣电影共计 312 部，评分超过 8.0 分的共计 37 部，超过 8.5 分的共计 14 部，超过 9.0 分的只有 1 部。
下表为评分超过 8.0 分的，还有没看过的小伙伴可以抓紧时间看一下咯~~
示例代码
本系列的所有代码小编都会放在代码管理仓库 Github 和 Gitee 上，方便大家取用。
示例代码-Github
示例代码-Gitee
