人生苦短，我用 Python

前文传送门：

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~~~

2019 已经快过完了，按照本文推送的时间预估，到 2020 应该还有十来天的时间，又到了各个公司出各种 2019 榜单的时间，小编这里呢，就先帮豆瓣搞一个 2019 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：

https://movie.douban.com/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：

https://movie.douban.com/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 2018 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 (2019)","url":"https:\/\/movie.douban.com\/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":"2019"}}

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：

https://movie.douban.com/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：

https://movie.douban.com/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":"https://movie.douban.com/subject/30337760/",

"playable":false,

"cover":"https://img3.doubanio.com/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

https://movie.douban.com/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

https://movie.douban.com/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 requests

import 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 douban2019(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 = True

def get_movie_list(page_start):

r = requests.get('https://movie.douban.com/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('https://movie.douban.com/j/subject_abstract?subject_id=' + str(subject_id), headers=headers)

subject = r.json()['subject']

if subject['release_year'] != '2019':

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)

conn.commit()

print(subject['title'], '写入完成')

def main():

num = 0

while(flag):

get_movie_list(num)

num += 20

if __name__ == '__main__':

main()

小结

最后小编做了一下简单的统计，截止目前， 2019 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 (2019)

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‎ (2019)

8.9

小丑 Joker‎ (2019)

8.8

婚姻故事 Marriage Story‎ (2019)

8.8

玩具总动员4 Toy Story 4‎ (2019)

8.7

寄生虫 기생충‎ (2019)

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‎ (2019)

8.7

82年生的金智英 82년생 김지영‎ (2019)

8.7

克劳斯：圣诞节的秘密 Klaus‎ (2019)

8.6

痛苦与荣耀 Dolor y gloria‎ (2019)

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‎ (2019)

8.6

复仇者联盟4：终局之战 Avengers: Endgame‎ (2019)

8.5

哪吒之魔童降世‎ (2019)

8.5

普罗米亚 プロメア‎ (2019)

8.5

少年的你‎ (2019)

8.4

少年泰坦出击大战少年泰坦 Teen Titans Go! vs Teen Titans‎ (2019)

8.4

悲惨世界 Les misérables‎ (2019)

8.4

我的一级兄弟 나의 특별한 형제‎ (2019)

8.3

燃烧女子的肖像 Portrait de la jeune fille en feu‎ (2019)

8.3

再见钟情 Mon inconnue‎ (2019)

8.3

我在雨中等你 The Art of Racing in the Rain‎ (2019)

8.2

罗小黑战记‎ (2019)

8.2

行骗天下JP：浪漫篇 コンフィデンスマンJP‎ (2019)

8.2

阿松 剧场版 劇場版 えいがのおそ松さん‎ (2019)

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～‎ (2019)

8.2

驭风男孩 The Boy Who Harnessed the Wind‎ (2019)

8.1

对不起，我们错过了你 Sorry We Missed You‎ (2019)

8.1

续命之徒：绝命毒师电影 El Camino: A Breaking Bad Movie‎ (2019)

8.1

我失去了身体 J'ai perdu mon corps‎ (2019)

8.1

最初的梦想 Chhichhore‎ (2019)

8.1

千子2 センコロール コネクト‎ (2019)

8.0

地久天长‎ (2019)

8.0

金发男子 Un rubio‎ (2019)

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」‎ (2019)

8.0

漫长的告别 長いお別れ‎ (2019)

8.0

我的喜马拉雅‎ (2019)

8.0

小委托人 어린 의뢰인‎ (2019)

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。