腾讯视频 Python 爬虫实操，看完你学会了吗？ _腾讯视频

【腾讯视频 Python 爬虫实操，看完你学会了吗？】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。

文章插图

项目地址：https://github.com/yangrq1018/vqq-douban-film
1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。
2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 = 21NUM_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 soupdef 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://www.isolves.com/it/cxkf/yy/Python/2019-09-27/"https://v.qq.com/x/cover/j3czmhisqin799r.html" tabindex="-1" target="_blank" title="霸王别姬">