Python学习的第四天

1.爬虫基础

1.1获取网址

url='https://www.baidu.com'
response=requests.get(url)

1.2获取str类型的响应

print(response.text)

1.3获取bytes类型的响应

print(response.content)

1.4获取响应头

print(response.headers)

1.5获取状态码

print(response.status_code)

1.6响应头用以伪装成浏览器

#没有添加响应头
# resp=requests.get('https://www.zhihu.com/')
# print(resp.status_code)
#运行返回400

#使用字典定义请求头
headers={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36"}
resp=requests.get('https://pvp.qq.com/')
print(resp.status_code)
#运行返回200

2.静态网页爬虫

2.1导入lxml库

from lxml import html

2.2打开并读取本地html文件

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

2.3解析html文件，获取selector对象

    selector =html.fromstring(html_data)
    #要获取标签内容，末尾要添加text（）
    h1=selector.xpath('/html/body/h1/text()')
    print(h1[0])

2.4//表示可以代表任意位置出发

#//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)

3.动态网页爬虫（当当网和电影网）

3.1导入库

import requests
from lxml import html
import pandas as pd
from matplotlib import pyplot as plt

3.2设置响应头和url

浏览器中按f12，点击network，刷新界面，下面的name中随意选取查看右边信息的User-Agent

def spider_dangdang(isbn):
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36"}
#装图书信息的list
    book_list = []
    #目标站点地址
    url='http://search.dangdang.com/?key={}&act=input'.format(isbn)

3.3获取站点str类型的响应

    resp=requests.get(url,headers=headers)
    html_data=resp.text

3.4提取目标站所有图书信息

   selector=html.fromstring(html_data)
   ul_list=selector.xpath('//div[@id="search_nature_rg"]/ul/li')
   print('共有{}家店铺售卖此书'.format(len(ul_list)))

3.5遍历信息获取想要的数据

    for li in ul_list:
        #图书名
        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'
        store='当当自营' if len(store) ==0 else store[0]
        #添加每个商家的图书信息
        book_list.append({
            'title':title,
            'link':link,
            'price':price,
            'store':store
        })
 #排序
    book_list.sort(key=lambda x:x['price'])

3.6获取销量最高的10家绘制柱状图

 #展示价格最低的10家 柱状图
    top10_store=[book_list[i] for i in range(10)]
    # x=[]
    # for stroe in top10_store:
    #     x.append(store['store'])
    x=[x['store'] for x in top10_store]
    y=[x['price'] for x in top10_store]
    plt.barh(x,y)
    plt.show()

3.7存储成csv文件

    df=pd.DataFrame(book_list)
    df.to_csv('dangdang.csv')
#以上步骤均是在函数spider_dangdang中执行

3.8调用函数

#要查询的图书的编号9787115428028
spider_dangdang('9787115428028')

4.对豆瓣网爬虫

#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
#绘制即将上映电影国家的占比图
#绘制top5最想看的电影

#请求远程端站点
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

counts={}
# 目标站点地址
def spider_douban():
    movie_list=[]
    url = 'https://movie.douban.com/cinema/later/chongqing/'
    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)
    #提取目标站信息
    selector = html.fromstring(html_data)
    ul_list = selector.xpath('//div[@id="showing-soon"]/div/div')
    print('您好，共有{}部电影即将在重庆上映'.format(len(ul_list)))

    # 遍历ul_list
    for li in ul_list:
        # 电影名称
        title = li.xpath('./h3/a/text()')[0].strip()
        print(title)
        # 上映日期
        date = li.xpath('./ul/li/text()')[0]
        print(date)
        # 类型
        type = li.xpath('./ul/li/text()')[1]
        print(type)

        # 上映国家
        country = li.xpath('./ul/li/text()')[2]
        print(country)
        # 想看人数
        num = li.xpath('./ul/li/span/text()')[0]
        print(num)
        num = int(num.replace('人想看', ''))

        #添加电影信息
        movie_list.append({
            'title':title,
            'date': date,
            'type':type,
            'country':country,
            'num':num
        })

    #按照人数进行排序
    movie_list.sort(key=lambda x:x['num'],reverse=True)

    #遍历booklist
    for movie in movie_list:
        print(movie)

    #画饼图，把国家提取出来
    city=[]
    # 提取国家信息
    for country in movie_list:
        city.append((country['country']))

    # 将国家信息汇总
    for country in city:
        if len(country) <= 1:
            continue
        else:
            counts[country] = counts.get(country, 0) + 1
    items = list(counts.items())
    print(items)

    movie_name=[]
    people=[]
    for i in range(4):
        role, count = items[i]
        print(role, count)
        movie_name.append(role)
        people.append(count)


     #绘制即将上映电影国家的占比图，饼图

    explode = [0.1, 0, 0, 0]
    plt.pie(people, explode=explode,labels=movie_name, shadow=True, autopct='%1.1f%%')
    plt.axis('equal')  # 保证饼状图是正圆，否则会有点扁
    plt.show()


    # 展示最想看的前5家，柱状图
    # 电影名称
    top5_movie = [movie_list[i] for i in range(5)]
    print(top5_movie)
    x = [x['title'] for x in top5_movie]
    print(x)
    # 想看人数
    y = [x['num'] for x in top5_movie]
    print(y)

    plt.bar(x,y)
    #plt.barh(x,y)
    plt.show()
    存储成csv文件
    df = pd.DataFrame(movie_list)
    df.to_csv('douban.csv')

spider_douban()

5.电影网爬虫

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_film():
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36"}
    film_list = []
    #目标站点地址

    url='https://movie.douban.com/cinema/later/chongqing/'
    #获取站点str类型的响应
    resp=requests.get(url,headers=headers)
    html_data=resp.text

    #提取目标站信息
    selector=html.fromstring(html_data)
    ul_list=selector.xpath('//div[@id="showing-soon"]/div')
    print('您好，共有{}部电影'.format(len(ul_list)))

    #遍历 ul_list
    for div in ul_list:
        #电影名
        title=div.xpath('./div/h3/a/text()')[0]
        print(title)
        #上映日期
        date=div.xpath('./div/ul/li/text()')[0]
        print(date)
        #类型
        style=div.xpath('./div/ul/li/text()')[1]
        print(style)
        #上映国家
        state =div.xpath('./div/ul/li/text()')[2]
        print(state)
        #想看人数
        want_people = div.xpath('./div/ul/li[@class="dt last"]/span/text()')[0]
        want_people = int(want_people.replace('人想看', ''))
        print(want_people)

        #添加每个电影的图书信息
        film_list.append({
            'title':title,
            'date':date,
            'style':style,
            'state':state,
            'want_people':want_people
        })
  #排序
    film_list.sort(key=lambda x:x['want_people'])

  #展示价格最低的10家 柱状图
    top5_film=[film_list[i] for i in range(5)]

    x=[x['title'] for x in top5_film]
    y=[x['want_people'] for x in top5_film]
    plt.barh(x,y)
    plt.show()

#  调用函数
spider_film()
©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

推荐阅读更多精彩内容

  • Python学习的第四天
    爬虫——大数据 1. 提取本地HTML中的数据 1. 新建index.html文件 2. 读取HTML文件 需要安...
    婉儿吖阅读 361评论 0赞 0
  • 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...
    小乌龟快点跑吖阅读 348评论 0赞 0
  • python学习的第四天
    python学习的第四天 爬虫 1.结点选择语法 2.Requests 注：无requests即下载安装：pip ...
    古乔萌阅读 184评论 0赞 0
  • Python学习的第四天
    爬虫 爬虫（又被称为网页蜘蛛，网络机器人），它是一种按照一定的规则，自动地抓取互联网信息的程序或者脚本。也即它是一...
    小頴子阅读 213评论 0赞 0
  • 小明的苦恼
    “五十八、五十九、六十，唉，终于做完了”，小明数着做完了六十个俯卧撑站起来，突然想起来今天抽了3根烟，于是又换了运...
    康萌故事阅读 297评论 0赞 0