Python爬虫实战之爬取B站番剧信息(详细过程)

目标：爬取b站番剧最近更新
输出格式:名字+播放量+简介
那么开始撸吧~

用到的类库：
requests:网络请求
pyquery:解析xml文档，像使用jquery一样简单哦~

1.分析页面布局，找到需要爬取的内容

目标url：https://bangumi.bilibili.com/22/

设计video类:

import requests
from pyquery import PyQuery as pq

class Video(object):
    def __init__(self,name,see,intro):
        self.name=name
        self.see=see
        self.intro=intro

    def __str__(self):
        return "{}--{}--{}".format(self.name,self.see,self.intro)

分析完页面，设取爬去类:

class bilibili(object):
    host="https://bangumi.bilibili.com"

    def __init__(self):
        self.dom=pq(requests.get('https://bangumi.bilibili.com/22/').text)

    def get_recent(self):
        '''最近更新'''
        items=self.dom('#list_bangumi_new .c-list .new .c-item')
        videos=[]
        for i in items:
            name=i.find('.r-i .t').attr('title')
            link=self.host+i.find('.r-i .t').attr('href')
            d=pq(requests.get(url=link).text)
            see=d(".info-count .info-count-item").eq(1).find('em').text()
            intro=d('.info-row').eq(3).find('.info-desc').text()
            videos.append(Video(name=name,see=see,intro=intro))
        return videos

测试运行一下:

哎呀，怎么回事，居然返回为空
这种情况下不要慌,如果代码没有错误，那么一般是由两种情况造成
没有选择到目标，页面是js动态加载的

我们先试下第一种情况，打开浏览器，f12，将选择字符串复制到console中运行下，我们这就是$('#list_bangumi_new .c-list .new .c-item')

可以选择到我们想要的目标，那看来是页面js动态加载了,那就方便我们了，我们就只要找到它的接口就好了，打开浏览器，f12，在network里面寻找一下就好了，
url:https://bangumi.bilibili.com/api/timeline_v2_global

这是一个item的信息，里面有我们想要的名字信息，那接下来就是去详情页寻找播放量和简介了，但是详情页链接在哪那，刚刚那个接口里并没有，我们f12，审查一下元素。

这里的链接是/anime/6439,刚刚的接口里并没有这个信息啊，那这个信息应该就是拼接出来的了,关键就是6439这个数字了,去刚刚那个接口信息里寻找一下，果然找到了一个season_id字段符合，那么详情页链接就构造如下:
detail_url = "https://bangumi.bilibili.com/anime/{season_id}"

那么接下来就是去分析详情页,爬去我们想要播放量和简介信息了,构造爬去代码如下:
see = d(".info-count .info-count-item").eq(1).find('em').text()
intro = d('.info-desc-wrp').find('.info-desc').text()

那么最终爬取类关键代码如下:

   class bilibili(object):
    recent_url = "https://bangumi.bilibili.com/api/timeline_v2_global"  # 最近更新
    detail_url = "https://bangumi.bilibili.com/anime/{season_id}"

    def __init__(self):
        self.dom=pq(requests.get('https://bangumi.bilibili.com/22/').text)

    def get_recent(self):
        '''最近更新'''
        items=json.loads(requests.get(self.recent_url).text)['result']
        videos=[]
        for i in items:
            name=i['title']
            link=self.detail_url.format(season_id=i['season_id'])
            d=pq(requests.get(url=link).text)
            see = d(".info-count .info-count-item").eq(1).find('em').text()
            intro = d('.info-desc-wrp').find('.info-desc').text()
            videos.append(Video(name=name,see=see,intro=intro))
        return videos

运行一下:

很ok，那接下来把它做成命令行~

2.制作命令行版

用到的类库：
argparse:解析命令行参数

主要代码如下：

if __name__ == '__main__':
    parser=argparse.ArgumentParser()
    parser.add_argument('--recent',help="get the recent info",action="store_true")
    parser.add_argument('--num',help="The number of results returned,default show all",type=int,default=0)
    parser.add_argument('-v','--version',help="show version",action="store_true")
    args=parser.parse_args()

    if args.version:
        print("bilibili 1.0")
    elif args.recent:
       b = bilibili()
       b.get_recent(args.num)

看下效果：

ok,大功告成，接下来大家就自由发挥添加更多的功能吧~：）

完整代码地址:https://github.com/taopeach1998/python-spider/blob/master/bilibili.py