Python第四天

爬虫

1. 爬虫练习

  • 本地新建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/190.shtml"><img src="https://game.gtimg.cn/images/yxzj/img201606/heroimg/190/190.jpg" alt="">诸葛亮</a></li>
    <li><a href="https://pvp.qq.com/web201605/herodetail/112.shtml"><img src="https://game.gtimg.cn/images/yxzj/img201606/heroimg/112/112.jpg" alt="">鲁班七号</a></li>
    <li><a href="https://pvp.qq.com/web201605/herodetail/169.shtml"><img src="https://game.gtimg.cn/images/yxzj/img201606/heroimg/169/169.jpg" alt="">后裔</a></li>
    <li><a href="https://pvp.qq.com/web201605/herodetail/174.shtml"><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>战士</li>
    <li>射手</li>
    <li>刺客</li>
    <li>法师</li>
    <li>辅助</li>
</ol>

<!--div+css布局-->
<div id="car">
    <a href="https://pvp.qq.com/web201605/herodetail/190.shtml">点击跳转至诸葛亮的英雄主页</a>
    <p>被动</p>
</div>

</body>
</html>
  • 读取
  • 使用xpath语法进行提取
    使用lxml提取h1标签中的内容
from lxml import  html
with open('./index.html','r',encoding='utf-8') as f:
    html_data=f.read()
selector=html.fromstring(html_data)
h1=selector.xpath('/html/body/h1/text()')
    print(h1[0])

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

    #获取p标签的内容
    p = selector.xpath('//div[@id="car"]/p/text()')
    print(p[0])

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

- 提取百度网址信息

import requests
url='https://www.baidu.com'
response=requests.get(url)
print(response)
print(response.text)
print(response.content)
print(response.headers)
print(response.status_code)
print(response.encoding)
req=requests.get('https://www.zhihu.com/')
print(req.status_code)
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)

2. 提取当当网信息

.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
    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)
    ul_list=selector.xpath('//div[@id="search_nature_rg"]/ul/li')
    print('你好,共有{}家店铺售卖此书'.format(len(ul_list)))
    for li in ul_list:
        # 图书名称
        title=li.xpath('./a/@title')[0].strip()

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

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

        #图书卖家信息
        store = li.xpath('./p[@class="search_shangjia"]/a/text()')
        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,
            'price':price,
            'link':link,
            'store':store
        })
book_list.sort(key=lambda x : x['price'])
    for book in book_list:
        print(book)
 #店铺
    x = [book_list[i]['store'] for i in range(10)]
    # 图书的价格
    y = [book_list[i]['price'] for i in range(10)]
    plt.barh(x, y)
    plt.show()
image.png

3. 提取豆瓣网信息

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
url='https://movie.douban.com/cinema/later/chongqing/'

resp = requests.get(url)
#获取站点str类型的
html_data=resp.text
# 提取目标站点的信息
selector = html.fromstring(html_data)
movie_info=selector.xpath('//div[@id="showing-soon"]/div')
#print(html_data)
print('你好,共有{}电影即将上映'.format(len(movie_info)))
movie_info_list=[]
for movie in movie_info:
    #电影名
    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)
    #电影类型
    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)

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

    #想看人数
    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
    })

#根据想看人数进行排序
movie_info_list.sort(key=lambda x : x['want'],reverse=True)
counts={}
# 绘制即将上映电影国家的占比图(饼图)
#计算上映国家的电影片数
for nation in movie_info_list:
    counts[nation['nation']] = counts.get(nation['nation'], 0) + 1
#将字典转换为列表
items = list(counts.items())
print(items)
# 取出绘制饼图的数据和标签
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()
#绘制top5最想看的电影(柱状图)

#电影名称
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]
#想看人数
y = [movie_info_list[i]['want'] for i in range(5)]
# y = [y['want'] for y in top5]


print(x)
print(y)
plt.xlabel('电影名称')
plt.ylabel('想看人数(人)')

plt.bar(x, y)
plt.show()

效果图


image.png
©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 215,794评论 6 498
  • 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 92,050评论 3 391
  • 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 161,587评论 0 351
  • 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 57,861评论 1 290
  • 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 66,901评论 6 388
  • 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 50,898评论 1 295
  • 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 39,832评论 3 416
  • 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 38,617评论 0 271
  • 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 45,077评论 1 308
  • 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 37,349评论 2 331
  • 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 39,483评论 1 345
  • 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 35,199评论 5 341
  • 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 40,824评论 3 325
  • 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 31,442评论 0 21
  • 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 32,632评论 1 268
  • 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 47,474评论 2 368
  • 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 44,393评论 2 352

推荐阅读更多精彩内容

  • 爬虫基础知识 1)提取本地html文件 (1)步骤 ✏ 需要自已先写一个html(或者本地已有一个html文件)✏...
    栀心_hml阅读 193评论 0 0
  • 今日内容 python爬虫 1.爬取梨视频页面全部视频: '''''''''爬取梨视频:请求url: https...
    Aidann阅读 213评论 0 0
  • 提取网页数据 爬虫当当网 爬虫豆瓣网
    陌_e1fe阅读 199评论 0 0
  • while循环结构中: break主要用于跳出本次循环,返回上一层 continue主要用于用户输入错误选项后,重...
    Easy_wjc阅读 150评论 0 0
  • 爬虫 读取本地html文件数据 1.导入lxml 读取html文件 解析html文件,获得selector对象,s...
    invisible_4ee5阅读 124评论 0 1