【python爬虫实战】用python爬取爱奇艺电视剧十大榜单的全部数据！

2023-06-08 05:58 由马哥python说发表于 #后端开发

一、爬取目标
二、讲解代码
三、查看结果
四、视频演示
五、附完整源码

一、爬取目标

本次爬取的目标是，爱奇艺电视剧类目下的10个榜单：电视剧风云榜-爱奇艺风云榜

可以看到，这10个榜单包含了：
热播榜、飙升榜、必看榜、古装榜、言情榜、都市榜、搞笑榜、年代榜、悬疑榜、奇幻榜。

我们以热播榜为例，打开Chrome浏览器，按F12进入开发者模式，选择网络 -> XHR这个选项，重新刷新一下页面，并且逐次下拉页面到最底部，展现出全部100部电视剧：

查看捕获到的请求链接地址，每翻一次页，出现一条链接地址，并且该地址的响应数据就是20条电视剧的数据。
所以，这个地址就是我们要请求的地址了。

二、讲解代码

首先，导入需要用到的爬虫库：

import requests  # 发送请求
import pandas as pd  # 存入excel文件
from time import sleep  # 随机等待，防止反爬
import random  # 设置随机

从请求地址的Request Header处，拷贝过来一个请求头，放到代码里：

headers = {
	'accept': 'application/json, text/plain, */*',
	'accept-encoding': 'gzip, deflate, br',
	'accept-language': 'zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7',
	'origin': 'https://www.iqiyi.com',
	'referer': 'https://www.iqiyi.com/',
	'sec-ch-ua': '" Not A;Brand";v="99", "Chromium";v="100", "Google Chrome";v="100"',
	'sec-ch-ua-mobile': '?1',
	'sec-ch-ua-platform': '"Android"',
	'sec-fetch-dest': 'empty',
	'sec-fetch-mode': 'cors',
	'sec-fetch-site': 'same-site',
	'user-agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.60 Mobile Safari/537.36'
}

爱奇艺的这个榜单页面，反爬不那么厉害，请求头中连cookie都不用加！
由于我想自动爬取这10个榜单，每个榜单对应一个tag标签，从哪里获取呢？经过分析，是从另外一个请求地址返回的：

发现了吗？每个榜单名称是一个tagName，对应一个tagId。拿到tagId，带入到榜单数据的请求地址中：

for page in range(1, 5):
	url = 'https://pcw-api.iqiyi.com/strategy/pcw/data/topRanksData?page_st={}&tag={}&category_id=2&date=&pg_num={}'.format(v_tag_id, v_tag_id, page)
	r = requests.get(url, headers=headers)

这样，就完成了向页面发送请求的过程。

顺便说一下这个for循环，一共翻4页，每页25条数据，对应一共100部电视剧。

用json格式接收返回的数据：

json_data = r.json()

然后开始解析json数据：

content_list = json_data['data']['formatData']['data']['content']
for content in content_list:
	# 排名
	order_list.append(order)
	# 标题
	title_list.append(content['title'])
	print(order, ' ', content['title'])
	# 描述
	try:
		desc_list.append(content['desc'])
	except:
		desc_list.append('')
	# 标签
	tags_list.append(content['tags'])
	tag_info = content['tags'].split(' / ')
	# 上映年份
	year = tag_info[0]
	year_list.append(year)
	# 主演
	actor = tag_info[-1]
	actor_list.append(actor)
	# 弹幕
	try:
		danmu_list.append(content['danmu'].replace('条弹幕', ''))
	except:
		danmu_list.append('')
	# 霸榜
	try:
		babang_list.append(content['babang'])
	except:
		babang_list.append('')
	# 实时热度
	if v_tag_name == '飙升榜':
		index_list.append(content['index'] + '%')
	else:
		index_list.append(content['index'])
	order += 1

最后，依然采用我最顺手的方法，拼装成DataFrame的格式，保存到excel文件：

df = pd.DataFrame({
		'排名': order_list,
		'标题': title_list,
		'描述': desc_list,
		'标签': tags_list,
		'上映年份': year_list,
		'主演': actor_list,
		'弹幕': danmu_list,
		'霸榜': babang_list,
		'实时热度': index_list,
	})
if v_tag_name == '飙升榜':  # 如果是飙升榜，把excel标题中的'实时热度'改为'飙升幅度'
	df.rename(columns={'实时热度': '飙升幅度'}, inplace=True)
df.to_excel('爱奇艺电视剧_{}.xlsx'.format(v_tag_name), index=False)

这里，需要注意一个小逻辑，飙升榜的'实时热度'需要rename为'飙升幅度'，因为飙升榜跟其他榜单不一样！