通过百度搜索抓取最新的电影和热门电影

Z时代
2024-01-10
分类：IT

之前可以使用豆瓣的 API 接口来获取数据，但是近年来豆瓣几乎都关闭了所有的 API，只能想想其他的办法了，搜索引擎应该是比较新的数据，我们可以抓取百度搜索引擎来实现我们的效果。

我使用的是 eggjs 作为后台，抓取的数据 24 小时更新一次，每次访问的时候先从缓存获取数据，如果没有就直接抓取百度的数据。

获取目标 HTML

在百度中搜索最新电影，大概是这个样子：

通过百度搜索抓取最新的电影和热门电影

首先使用 curl 将我们要抓取的页面整个下载下来

let html = await this.ctx.curl(baiduUrl);
html = html.data.toString();

分析 HTML

我们可以直接正则匹配上面截图的 html 代码，但是我发现如果电影名称长了，会自动转为省略号，并不是完整的名称，这种方式不好。

注意下面的页码翻页，应该是使用的 ajax 加载数据，我们可以从这里入手抓取我们想要的数据，通过浏览器调试工具：

通过百度搜索抓取最新的电影和热门电影

响应的结果：

通过百度搜索抓取最新的电影和热门电影

正是我们想要的结果，其中还包括了电影的封面和评分等信息，可谓相当的全面。

https://sp0.baidu.com/8aQDcjqpAAV3otqbppnN2DJv/api.php?resource_id=28286&from_mid=1&=&
format=json&ie=utf-8&oe=utf-8&query=最新电影&sort_key=17&
sort_type=1&stat0=&stat1=&stat2=&stat3=&pn=8&rn=8&
cb=jQuery1102026705352123140547_1611809868163&_=1611809868164

仔细查看上面的网址，发现有一个字符串（8aQDcjqpAAV3otqbppnN2DJv）不知道从什么地方获取，而且这个字符串肯定不是一直不变，在打开 HTML 查找，第 4000 多行有一个 JS 的配置：

通过百度搜索抓取最新的电影和热门电影

但是后来我通过服务端去抓取网页的时候，这几个字段都是空的，可能是因为没有设置 user-agent 的原因吧，但是我发现了 fbtext 这个字段，这不就是我想要的名单吗？何必要搞其他分页之类的，直接上正则：

// 网页匹配
let hotMove = [];
const regReturn = html.match(/fbtext: '(.*),'/gi);
if (regReturn) {
  hotMove = regReturn[0].replace("fbtext: '", '').replace(",'", '').split(',');
}

完整的代码

async getBaiduMovie(type) {
  let baiduUrl = 'http://www.baidu.com/s?wd=最新电影';
  if (type === 2) {
    baiduUrl = 'http://www.baidu.com/s?wd=热门电影';
  }
  let html = await this.ctx.curl(baiduUrl);
  html = html.data.toString();
  let hotMove = [];
  // 网页匹配
  const regReturn = html.match(/fbtext: '(.*),'/gi);
  if (regReturn) {
    hotMove = regReturn[0].replace("fbtext: '", '').replace(",'", '').split(',');
  }
  return hotMove;
}