爬虫
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、返回200成功，400未找到，500服务器错误
1.7、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('您好，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
#遍历 ul_list
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、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()
