人生苦短,我用 Python
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=热门&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=热门&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=热门&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=热门&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=热门&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 flag flag = False return print(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 = 0 while(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~~
名称评分
爱尔兰人 The Irishman ()9.1
银河英雄传说 Die Neue These 星乱 第1章 銀河英雄伝説 Die Neue These 星乱 第1章 ()8.9
小丑 Joker ()8.8
婚姻故事 Marriage Story ()8.8
玩具总动员4 Toy Story 4 ()8.7
寄生虫 기생충 ()8.7
代号基亚斯:复活的鲁路修 コードギアス 復活のルルーシュ ()8.7
82年生的金智英 82년생 김지영 ()8.7
克劳斯:圣诞节的秘密 Klaus ()8.6
痛苦与荣耀 Dolor y gloria ()8.6
青春期猪头少年不做怀梦少女的梦 青春ブタ野郎はゆめみる少女の夢を見ない ()8.6
复仇者联盟4:终局之战 Avengers: Endgame ()8.5
哪吒之魔童降世 ()8.5
普罗米亚 プロメア ()8.5
少年的你 ()8.4
少年泰坦出击大战少年泰坦 Teen Titans Go! vs Teen Titans ()8.4
悲惨世界 Les misérables ()8.4
我的一级兄弟 나의 특별한 형제 ()8.3
燃烧女子的肖像 Portrait de la jeune fille en feu ()8.3
再见钟情 Mon inconnue ()8.3
我在雨中等你 The Art of Racing in the Rain ()8.2
罗小黑战记 ()8.2
行骗天下JP:浪漫篇 コンフィデンスマンJP ()8.2
阿松 剧场版 劇場版 えいがのおそ松さん ()8.2
蜡笔小新:新婚旅行飓风之遗失的野原广志 映画クレヨンしんちゃん 新婚旅行ハリケーン ~失われたひろし~ ()8.2
驭风男孩 The Boy Who Harnessed the Wind ()8.1
对不起,我们错过了你 Sorry We Missed You ()8.1
续命之徒:绝命毒师电影 El Camino: A Breaking Bad Movie ()8.1
我失去了身体 J'ai perdu mon corps ()8.1
最初的梦想 Chhichhore ()8.1
千子2 センコロール コネクト ()8.0
地久天长 ()8.0
金发男子 Un rubio ()8.0
心理测量者SS2:第一卫士 PSYCHO-PASS サイコパス Sinners of the System Case.2「First Guardian」 ()8.0
漫长的告别 長いお別れ ()8.0
我的喜马拉雅 ()8.0
小委托人 어린 의뢰인 ()8.0
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
来源:/content-1-601651.html