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