python学习的第四天

1、爬虫一些知识

(1)节点选择语法

XPath使用路径表达式来选取XML文档中的节点或者节点集。这些路径表达式和我们在常规的电脑文件系统中看到的表达式非常相似。
nodename:选取此节点的所有子节点;
/:从根节点选取;
//:从匹配选择的当前节点选择文档中的节点,而不考虑它们的位置;
.:选取当前节点;
..:选取当前节点的父节点;
@:选取属性。

(2)Requests

注:无requests即下载安装:pip install requests
response = requests.get(url)
response的常用方法:
①response.text:获取str类型的响应
②response.content:获取bytes类型的响应
③response.status_code:获取状态码
④response.headers:获取响应头
⑤response.request:获取响应对应的请求

(3)为什么请求需要带上header?

模拟浏览器,欺骗服务器,获取和浏览器一致的内容
headers的形式:字典

2、爬虫——提取本地html中的数据

(1)建立一个index.html文件
<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Title</title>
</head>
<body>
<h1>欢迎来到王者荣耀!</h1>
<ul>
    <li><a href="https://pvp.qq.com/web201605/herodetail/508.shtml"><img src="https://game.gtimg.cn/images/yxzj/img201606/heroimg/508/508.jpg" alt="">伽罗</a></li>
    <li>苏烈</li>
    <li>孙策</li>
    <li>大乔</li>
</ul>

<ol>
    <li>射手</li>
    <li>坦克</li>
    <li>战士</li>
    <li>辅助</li>
</ol>
<!-- div + css 布局 -->
<div>这是div标签</div>
<div id="container">
    <p>被动:伽罗的普攻与技能伤害将会优先对目标的护盾效果造成一次等额的伤害</p>
    <a href="https://www.baidu.com">点击跳转至百度</a>
</div>
<div>这是第二个div标签</div>
</body>
</html>
(2)读取html文件——使用xpath语法进行提取

注:没有lxml即下载安装:pip install lxml

from lxml import html
# 读取html文件
with open('./index.html', 'r', encoding='utf-8') as f:
    html_date = f.read()
    # print(html_date)
    # 解析html文件,获得selector对象
    selector = html.fromstring(html_date)
    # selector中调用xpath方法
    # 要获取标签中的内容,末尾要添加text()
    h1 = selector.xpath('/html/body/h1/text()')
    print(h1[0])

    # // 可以代表从任意位置出发
    # //标签1[@属性=属性值]/标签2[@属性=属性值]..../text()
    a = selector.xpath('//div[@id="container"]/a/text()')
    print(a)
    # 获取 p标签的内容
    p = selector.xpath('//div[@id="container"]/p/text()')
    print(p)

    # 获取属性
    link = selector.xpath('//div[@id="container"]/a/@href')
    print(link[0])
index.png

3、爬虫——Requests

代码块1:

import requests
url = 'https://www.baidu.com'

response = requests.get(url)
print(response)
print(response.text)  # 获取str类型的响应
print(response.content)  # 获取bytes类型的响应
print(response.headers)  # 获取响应头
print(response.status_code)  # 获取状态码
1.png

代码块2:编码方式

import requests
url = 'https://www.baidu.com'
response = requests.get(url)
print(response.encoding)
baidu.png
import requests
url = 'https://www.taobao.com'
response = requests.get(url)
print(response.encoding)
taobao.png
import requests
url = 'http://www.dangdang.com'
response = requests.get(url)
print(response.encoding)
dangdang.png

代码块3:响应头

# 200 ok、404 网页不存在、500 服务器错误、503 服务器超时
# 没有添加请求头的知乎网站
# resp = requests.get('https://www.zhihu.com')
# print(resp.status_code)  # 显示400
# 使用字典定义请求头
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('https://www.zhihu.com', headers = headers)
print(resp.status_code)
# 显示200

4、爬虫——dangdang.com

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
def spider_dangdang(isbn):
    book_list = []
    # 目标站点地址
    url = 'http://search.dangdang.com/?key={}&act=input'.format(isbn)
    # print(url)
    # 获取站点str类型的响应
    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
    #  将html页面写入本地
    with open('dangdang.html', 'w', encoding='utf-8') as f:
        f.write(html_data)

    # 提取目标站的信息
    selector = html.fromstring(html_data)
    ul_list = selector.xpath('//div[@id="search_nature_rg"]/ul/li')
    print('您好,共有{}家店铺售卖此图书'.format(len(ul_list)))

    # 遍历 ul_list
    for li in ul_list:
        # 图书名称
        title = li.xpath('./a/@title')[0].strip()
        # print(title)

        # 图书购买链接
        link = li.xpath('./a/@href')[0]
        # print(link)

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

        # 图书卖家名称
        store = li.xpath('./p[@class="search_shangjia"]/a/text()')
        # if len(store) == 0:
        #     store = '当当自营'
        # else:
        #     store = store[0]
        store = '当当自营' if len(store) == 0 else store[0]
        # print(store)

        # 添加每一个商家的图书信息
        book_list.append({
            'title':title,
            'price':price,
            'link':link,
            'store':store
        })

    # 按照价格进行排序
    book_list.sort(key=lambda x:x['price'])

    # 遍历book_list
    for book in book_list:
        print(book)

    # 展示价格最低的前10家 柱状图
    # 店铺的名称
    top10_store = [book_list[i] for i in range(10)]
    # x = []
    # for store in top10_store:
    #     x.append(store['store'])
    x = [x['store'] for x in top10_store]
    print(x)
    # 图书的价格
    y = [x['price'] for x in top10_store]
    print(y)
    # plt.bar(x, y)
    # plt.bar(x, y, rotation=75)
    plt.barh(x, y)  # 横向
    plt.show()

    # 存储成csv文件

    df = pd.DataFrame(book_list)
    df.to_csv('dangdang.csv')

spider_dangdang('9787115428028')   # 调用

['童心悦美图书专营店', '当当自营', '百亿德旧书专营店', '鑫源图书专营店', '童心悦美图书专营店', '晖文锦绣图书专营店', '阳光瑞盛图书专营店', '阅微阁图书专营店', '金种子图书专营店', '三味书屋图书专营店']
[37.0, 62.0, 66.0, 66.1, 75.0, 80.1, 82.4, 86.0, 87.0, 87.0]

image.png
image.png
image.png
dangdang.html.png
dangdang.csv.png

5、爬虫——练习

电影名,上映日期,类型,上映国家,想看人数
根据想看人数进行排序
绘制即将上映电影想看人数占比图和即将上映电影国家的占比图
绘制top5最想看的电影

import requests
from lxml import html
from wordcloud import WordCloud
from matplotlib import pyplot as plt
plt.rcParams["font.sans-serif"] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
def spider_movie(isbn):
    movie_list = []
    url = 'https://movie.douban.com/cinema/later/{}'.format(isbn)
    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
    selector = html.fromstring(html_data)
    div_list = selector.xpath('//div[@id="showing-soon"]/div')
    print('共有{}部电影即将上映'.format(len(div_list)))

    for div in div_list:
        # 电影名
        name = div.xpath('./div[@class="intro"]/h3/a/text()')[0]
        # print(name)

        # 上映日期
        day = div.xpath('./div[@class="intro"]/ul/li/text()')[0]
        # print(day)

        # 类型
        type = div.xpath('./div[@class="intro"]/ul/li/text()')[1]
        # print(type)

        # 上映国家
        country = div.xpath('./div[@class="intro"]/ul/li/text()')[2]
        # print(country)

        # 想看人数
        div_three = div.xpath('./div[@class="intro"]/ul/li')[3]
        number = div_three.xpath('./span/text()')[0]
        number = str(number).replace('人想看', '')
        number = int(number)
        # print(number)

        # 添加电影信息
        movie_list.append({
            'name':name,
            'day':day,
            'type':type,
            'country':country,
            'number':number
        })

    # 排序
    movie_list.sort(key=lambda x:x['number'], reverse=True)

    # 遍历
    for movie in movie_list:
        print(movie)

    # 绘制即将上映电影最想看前五人数占比图
    top5_movie = [movie_list[i] for i in range(5)]
    labels = [x['name'] for x in top5_movie]
    # print(labels)
    counts = [x['number'] for x in top5_movie]
    # print(counts)
    colors = ['red', 'purple', 'yellow', 'gray', 'green']
    plt.pie(counts, labels=labels, autopct='%1.2f%%', colors=colors)
    plt.legend(loc=2)
    plt.axis('equal')
    plt.show()

     # 绘制即将上映电影国家的占比图
    total = [x['country'] for x in movie_list]
    text = ''.join(total)
    print(text)
    words_list = jieba.lcut(text)
    print(words_list)
    counts = {}
    excludes ={"大陆"}
    for word in words_list:
        if len(word) <= 1:
            continue
        else:
            counts[word] = counts.get(word, 0) + 1
    print(counts)
    for word in excludes:
        del counts[word]
    items = list(counts.items())
    items.sort(key=lambda x: x[1], reverse=True)
    numm = [] # 数量
    labels = [] # 国家
    for i in range(len(items)):
        x, y = items[i]
        numm.append(y)
        if(x == "中国"):
            x = "中国大陆"
        labels.append(x)
    plt.pie(numm, labels=labels, autopct='%1.2f%%')
    plt.legend(loc=2)
    plt.axis('equal')
    plt.show()

    # top5.png
    text = ' '.join(labels)
    WordCloud(
        font_path='MSYH.TTC',
        background_color='white',
        width=800,
        height=600,
        collocations=False
    ).generate(text).to_file('top5.png')

spider_movie('chongqing')
image.png
image.png
image.png
top5.png
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,293评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,604评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,958评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,729评论 1 277
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,719评论 5 366
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,630评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,000评论 3 397
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,665评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,909评论 1 299
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,646评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,726评论 1 330
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,400评论 4 321
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,986评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,959评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,197评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 44,996评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,481评论 2 342