爬虫

网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。传统爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。

提取本地html中的数据

1.新建html文件
2.读取
3.使用 lxml 中的 xpath 语法进行提取
比如：使用lxml提取h1标签中的内容

from lxml import html
# 读取html文件
with open('./index.html', 'r', encoding='utf-8') as f:
    html_data = f.read()
    # print(html_data)
    #解析html文件，获得selector对象
    selector = html.fromstring(html_data)
    # 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]....
    a = selector.xpath('//div[@id="container"]/a/text()')
    print(a[0])
    # 获取p标签的内容
    p = selector.xpath('//div[@id="container"]/p1/text()')
    print(p[0])
    # 获取属性
    link = selector.xpath('//div[@id="container"]/a/@href')
    print(link[0])

执行结果如下

网络爬虫使用requests库

在使用python爬虫爬取数据的时候，经常会遇到一些网站的反爬虫措施，一般就是针对于headers中的User-Agent，如果没有对headers进行设置，User-Agent会声明自己是python脚本,而如果网站有反爬虫的想法的话，必然会拒绝这样的连接。而修改headers可以将自己的爬虫脚本伪装成浏览器的正常访问，来避免这一问题。

import requests
from lxml import html
url = 'http://www.dangdang.com'
response = requests.get(url)
print(response)
# 获取str类型的响应 根据http头部对响应的编码做出有根据的推测
print(response.text)
# 获取bytes类型的响应
print(response.content)
# 获取响应头
print(response.headers)
# 获取状态码
print(response.status_code)

print(response.encoding)
没有添加请求头
resp = requests.get('https://www.zhihu.com')
print(resp.status_code)
使用字典定义请求头
header = {"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('http://www.dangdang.com', headers = header)
print(resp.status_code)

运行结果大致如下：

也可以将爬到的html页面写入本地

import requests
def spider_dangdang(isbn):
    book_list = []
    # 目标站点地址
    url = 'http://search.dangdang.com/?key={}&act=input'.format(isbn)
    # 获取站点str类型的响应
    header = {"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=header)
    html_data = resp.text
    # 将html页面写入本地
    with open('dangdnag.html', 'w', encoding='utf-8') as f:
        f.write(html_data)
spider_dangdang(9787115428028)

$JOOAMX01JC)I({5ZQ1W}9F.jpg

我们还可以获取目标站点的详细信息

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)
    # 获取站点str类型的响应
    header = {"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=header)
    html_data = resp.text
    # 将html页面写入本地
    # with open('dangdnag.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，一共有{}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('图书名称：', title)

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

        #  图书购买链接
        link = li.xpath('./a/@href')[0]
        print('图书购买链接：', link)
        # 图书卖家名称
        store = li.xpath('./p[@class="search_shangjia"]/a[1]/text()')
        # if len(store) == 0:
        #     store = "当当自营"
        # else:
        #     store = store[0]
        # price = price.replace('￥', '')
        store = "当当自营" if len(store) == 0 else store[0]
        print('图书卖家名称：', store)
        print('')
spider_dangdang(9787115428028)

可以得到下面的结果

我们可以追加一下代码按照价格进行排序，并遍历图书信息

#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)

可以得到下面的结果

用下面的代码，我们可以将数据存储成csv文件

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

记得导入 pandas

import pandas as pd

执行程序，文件夹中就会生成相应的csv文件

也能用柱状图展示价格最低的前十家

top10 = [book_list[i] for i in range(10)]
    x = [x['store'] for x in top10]
    print(x)
    y = [x['price'] for x in top10]
    print(y)
    # plt.bar(x, y)
    plt.barh(x, y)
    plt.show()

记得导入包，否则会报错

from matplotlib import pyplot as plt
plt.rcParams["font.sans-serif"] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

练习

提取https://movie.douban.com/cinema/later/chongqing网站以下信息，并且根据信息完成3，4效果
1.电影名，上映日期，类型，上映国家，想看人数
2.根据想看人数进行排序
3.绘制即将上映电影国家的占比图
4.绘制top5最想看的电影

import requests
from  lxml import html
from matplotlib import pyplot as plt
plt.rcParams["font.sans-serif"] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
def spider_douban():
    movies_list = []
    counts = {}
    # 目标站点地址
    url = 'https://movie.douban.com/cinema/later/chongqing/'
    # 获取站点str类型的响应
    header = {"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=header)
    html_data = resp.text
    # 将html页面写入本地
    # with open('douban.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="showing-soon"]/div')
    print('您好，一共有{}部电影即将上映'.format(len(ul_list)))

    # 遍历ul_list
    for li in ul_list:

        #  电影名
        title = li.xpath('./div[@class="intro"]/h3/a/text()')[0]
        print('电影名：', title)
    #
    #
        #  上映日期
        date = li.xpath('./div[@class="intro"]/ul/li[1]/text()')[0]
        # price = float(price.replace('¥', ''))
        print('上映日期：', date)
    #
        #  类型
        type = li.xpath('./div[@class="intro"]/ul/li[2]/text()')[0]
        types = str(type.replace('/', ','))
        print('类型：', types)

        #  上映国家
        nation = li.xpath('./div[@class="intro"]/ul/li[3]/text()')[0]
        print('上映国家：', nation)

        #  想看人数
        want_num = li.xpath('./div[@class="intro"]/ul/li[4]/span/text()')[0]

        want_num = int(want_num.replace('人想看', ''))
        print('想看人数：', want_num)
        # 添加每一部电影的信息
        movies_list.append({
            'title': title,
            'date': date,
            'types': types,
            'nation': nation,
            'want_num': want_num
        })

    for nation in movies_list:
        counts[nation['nation']] = counts.get(nation['nation'], 0) + 1
    print(counts)
    # 4.排序 [(), ()]
    items = list(counts.items())
    items.sort(key=lambda x: x, reverse=True)
    print(items)
    nations = []
    cishu = []
    for i in range(4):
        #序列解包
        na, count = items[i]
        # print(role, count)
        nations.append(na)
        cishu.append(count)

    explode = [0.1, 0, 0, 0]
    colors = ['red', 'purple', 'blue', 'yellow']
    plt.pie(cishu, explode=explode, colors=colors, shadow=True, labels=nations, autopct='%1.1f%%')
    plt.legend(loc=2)  # 图例位置
    plt.axis('equal')
    plt.show()
    # 按照价格进行排序
    movies_list.sort(key=lambda x: x['want_num'], reverse=True)
    # 遍历book_list
    for movie in movies_list:
        print(movie)
    # 展示最想看的top5
    top5 = [movies_list[i] for i in range(5)]
    x = [x['title'] for x in top5]
    print(x)
    y = [x['want_num'] for x in top5]
    print(y)
    plt.bar(x, y)
    # plt.barh(x, y)
    plt.show()


spider_douban()

可以得到下面的结果：