Python學習的第四天

爬蟲

爬蟲（又被稱為網(wǎng)頁蜘蛛，網(wǎng)絡機器人），它是一種按照一定的規(guī)則，自動地抓取互聯(lián)網(wǎng)信息的程序或者腳本。也即它是一段自動抓取互聯(lián)網(wǎng)信息的程序，能從互聯(lián)網(wǎng)上抓取對于我們有價值的信息。面對大數(shù)據(jù)時代，互聯(lián)網(wǎng)中浩瀚的數(shù)據(jù)，如何從中抓取信息，并篩選出有價值的信息呢？答案就是Python爬蟲，Python是最適合開發(fā)爬蟲的程序語言，一方面有優(yōu)先的開發(fā)包，另一方面它又擅長對數(shù)據(jù)進行處理。

1.本地提取

1.1新建html文件
<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Title</title>
</head>
<body>
<h1>歡迎來到王者榮耀</h1>
<ul>
    <li><a ><img src="https://game.gtimg.cn/images/yxzj/img201606/heroimg/190/190.jpg" alt="">諸葛亮</a></li>
    <li><a ><img src="https://game.gtimg.cn/images/yxzj/img201606/heroimg/112/112.jpg" alt="">魯班七號</a></li>
    <li><a ><img src="https://game.gtimg.cn/images/yxzj/img201606/heroimg/169/169.jpg" alt="">后裔</a></li>
    <li><a ><img src="https://game.gtimg.cn/images/yxzj/img201606/heroimg/174/174.jpg" alt="">虞姬</a></li>
</ul>
<ol>
    <li>坦克</li>
    <li>戰(zhàn)士</li>
    <li>射手</li>
    <li>刺客</li>
    <li>法師</li>
    <li>輔助</li>
</ol>

<!--div+css布局-->
<div id="car">
    <a >點擊跳轉(zhuǎn)至諸葛亮的英雄主頁</a>
    <p>被動</p>
</div>

</body>
</html>
1.2讀取
1.3使用xpath語法進行提取

使用lxml提取h1標簽中的內(nèi)容

from lxml import  html
with open('./index.html','r',encoding='utf-8') as f:
    html_data=f.read()

解析html文件，使用selector對象

    selector=html.fromstring(html_data)

selector中調(diào)用xpath方法
要獲取標簽中的內(nèi)容，末尾要添加text()

    h1=selector.xpath('/html/body/h1/text()')
    print(h1[0])

使用//，從任意位置出發(fā)
格式： //標簽1[@屬性=屬性值]/[@屬性=屬性值].../text()

    a=selector.xpath('//div[@id="car"]/a/text()')
    print(a[0])

    #獲取p標簽的內(nèi)容
    p = selector.xpath('//div[@id="car"]/p/text()')
    print(p[0])

    #獲取屬性
    link=selector.xpath('//div[@id="car"]/a/@href')
    print(link[0])

2.提取百度(https://www.baidu.com)網(wǎng)址信息

導入及提取
import requests
url='https://www.baidu.com'
response=requests.get(url)
print(response)
獲取str類型的響應
print(response.text)
獲取bytes類型的響應
print(response.content)
獲取響應頭
 print(response.headers)
獲取狀態(tài)碼
print(response.status_code)
獲取編碼方式
print(response.encoding)
沒有添加請求頭
req=requests.get('https://www.zhihu.com/')
print(req.status_code)

會出現(xiàn)400錯誤

在使用python爬蟲爬取數(shù)據(jù)的時候，經(jīng)常會遇到一些網(wǎng)站的反爬蟲措施，一般就是針對于headers中的User-Agent，如果沒有對headers進行設置，User-Agent會聲明自己是python腳本,而如果網(wǎng)站有反爬蟲的想法的話，必然會拒絕這樣的連接。而修改headers可以將自己的爬蟲腳本偽裝成瀏覽器的正常訪問，來避免這一問題。

添加,使用字典定義請求頭
headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36"}
req=requests.get('https://www.zhihu.com/', headers=headers)
print(req.status_code)

使用爬蟲提取當當?shù)男畔?/h1>

利用爬蟲提取當當網(wǎng)上書號為9787115428028的圖書信息，并將前10價格最便宜的店鋪信息繪制成柱狀圖

1導入
.import  requests
from  lxml import html
import pandas as pd
from matplotlib import pyplot as plt
plt.rcParams["font.sans-serif"] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
2.自定義一個函數(shù)，isbn為書號，函數(shù)調(diào)用時傳值，所有操作都在函數(shù)內(nèi)部完成
def spider_dangdang(isbn):
3.獲取站點str的響應，book_list列表中存放圖書的信息（書名，店鋪，價格，購買鏈接），后面會用到
    book_list=[]
    #目標站點地址
    url='http://search.dangdang.com/?key={}&act=input'.format(isbn)
    #獲取站點str類型的響應
    headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36"}
    resp=requests.get(url,headers=headers)
    html_data=resp.text
4.提取目標站點的信息
    selector=html .fromstring(html_data)
    ul_list=selector.xpath('//div[@id="search_nature_rg"]/ul/li')
    print('你好，共有{}家店鋪售賣此書'.format(len(ul_list)))
    for li in ul_list:
        # 圖書名稱
        title=li.xpath('./a/@title')[0].strip()

        # 圖書價格
        price=li.xpath('./p[@ class="price"]/span[@class="search_now_price"]/text()')[0]
        price = float(price.replace('￥',''))
        # print(price)

        #圖書購買鏈接
        link=li.xpath('./a/@href')[0]

        #圖書賣家信息
        store = li.xpath('./p[@class="search_shangjia"]/a/text()')
        store = '當當自營' if len(store) == 0 else store[0]
        #添加每個商家的圖書信息
        book_list.append({
            'title':title,
            'price':price,
            'link':link,
            'store':store
        })
5.按照價格排序
    book_list.sort(key=lambda x : x['price'])
    for book in book_list:
        print(book)
6.展示價格最低的前10家 柱狀圖
    #店鋪
    x = [book_list[i]['store'] for i in range(10)]
    # 圖書的價格
    y = [book_list[i]['price'] for i in range(10)]
    plt.barh(x, y)
    plt.show()
7.存儲為CSV文件
    df = pd.DataFrame(book_list)
    df.to_csv('dangdang.csv')
8.調(diào)用函數(shù)
spider_dangdang('9787115428028')

練習

提取https://movie.douban.com/cinema/later/chongqing網(wǎng)站以下信息，并且根據(jù)信息完成3，4效果
-電影名，上映日期，類型，上映國家，想看人數(shù)
-根據(jù)想看人數(shù)進行排序
-繪制即將上映電影國家的占比圖
-繪制top5最想看的電影

完整代碼:

import  requests
from  lxml import html
import pandas as pd
from matplotlib import pyplot as plt
plt.rcParams["font.sans-serif"] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
url='https://movie.douban.com/cinema/later/chongqing/'

resp = requests.get(url)
#獲取站點str類型的
html_data=resp.text
# 提取目標站點的信息
selector = html.fromstring(html_data)
movie_info=selector.xpath('//div[@id="showing-soon"]/div')
#print(html_data)
print('你好，共有{}電影即將上映'.format(len(movie_info)))
movie_info_list=[]
for movie in movie_info:
    #電影名
    movie_name=movie.xpath('./div/h3/a/text()')[0]
    # print(movie_name)
    #上映日期
    movie_date=movie.xpath('./div/ul/li[1]/text()')[0]
    # print(movie_date)
    #電影類型
    movie_type=movie.xpath('./div/ul/li[2]/text()')[0]
    movie_type=str(movie_type)
    movie_type=movie_type.split(' / ')
    # print(type(movie_type))
    #print(movie_type)

    #上映國家
    movie_nation=movie.xpath('./div/ul/li[3]/text()')[0]
    # print(movie_nation)

    #想看人數(shù)
    movie_want = movie.xpath('./div/ul/li[4]/span/text()')[0]
    movie_want=int(movie_want.replace('人想看',''))
    # print(movie_want)

    #添加信息到列表
    movie_info_list.append({
        'name':movie_name,
        'date':movie_date,
        'type':movie_type,
        'nation':movie_nation,
        'want':movie_want
    })

#根據(jù)想看人數(shù)進行排序
movie_info_list.sort(key=lambda x : x['want'],reverse=True)
counts={}
# 繪制即將上映電影國家的占比圖(餅圖)
#計算上映國家的電影片數(shù)
for nation in movie_info_list:
    counts[nation['nation']] = counts.get(nation['nation'], 0) + 1
#將字典轉(zhuǎn)換為列表
items = list(counts.items())
print(items)
# 取出繪制餅圖的數(shù)據(jù)和標簽
co=[]
lables=[]
for i in range(len(items)):
    role, count = items[i]
    co.append(count)
    lables.append(role)

explode = [0.1, 0, 0, 0]
plt.pie(co, shadow=True,explode=explode, labels=lables, autopct = '%1.1f%%')
plt.legend(loc=2)
plt.axis('equal')
plt.show()
#繪制top5最想看的電影(柱狀圖)

#電影名稱
x = [movie_info_list[i]['name'] for i in range(5)]

# top5 = [movie_info_list[i] for i in range(5)]
# x = [x['name'] for x in top5]
#想看人數(shù)
y = [movie_info_list[i]['want'] for i in range(5)]
# y = [y['want'] for y in top5]


print(x)
print(y)
plt.xlabel('電影名稱')
plt.ylabel('想看人數(shù)(人)')

plt.bar(x, y)
plt.show()
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時請結(jié)合常識與多方信息審慎甄別。
平臺聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點，簡書系信息發(fā)布平臺，僅提供信息存儲服務。

相關(guān)閱讀更多精彩內(nèi)容

  • 一、爬蟲 爬蟲（又被稱為網(wǎng)頁蜘蛛，網(wǎng)絡機器人），它是一種按照一定的規(guī)則，自動地抓取互聯(lián)網(wǎng)信息的程序或者腳本。也即它...
    喵青禾閱讀 418評論 0贊 0
  • 一、爬蟲 1.本地提取 ①.新建html文件 界面如下： ②.讀?、?使用xpath語法進行提取使用lxml提取h...
    唐旭濤閱讀 338評論 0贊 0
  • 爬蟲——大數(shù)據(jù) 1. 提取本地HTML中的數(shù)據(jù) 1. 新建index.html文件 2. 讀取HTML文件 需要安...
    婉兒吖閱讀 408評論 0贊 0
  • 1、爬蟲一些知識 (1)節(jié)點選擇語法 XPath使用路徑表達式來選取XML文檔中的節(jié)點或者節(jié)點集。這些路徑表達式和...
    小烏龜快點跑吖閱讀 365評論 0贊 0
  • 一直想為建雄的《調(diào)順一段路》寫點什么，半年前讀這篇散文，心就為之所動，眾多的感慨，澀沉沉的糾纏不去，而...
    桃溪之父閱讀 464評論 1贊 4

友情鏈接更多精彩內(nèi)容