python學(xué)習(xí)的第四天

1、爬蟲一些知識

(1)節(jié)點選擇語法

XPath使用路徑表達(dá)式來選取XML文檔中的節(jié)點或者節(jié)點集罐盔。這些路徑表達(dá)式和我們在常規(guī)的電腦文件系統(tǒng)中看到的表達(dá)式非常相似担平。
nodename:選取此節(jié)點的所有子節(jié)點;
/:從根節(jié)點選让⒙省囤耳;
//:從匹配選擇的當(dāng)前節(jié)點選擇文檔中的節(jié)點,而不考慮它們的位置偶芍;
.:選取當(dāng)前節(jié)點充择;
..:選取當(dāng)前節(jié)點的父節(jié)點;
@:選取屬性匪蟀。

(2)Requests

注:無requests即下載安裝:pip install requests
response = requests.get(url)
response的常用方法:
①response.text:獲取str類型的響應(yīng)
②response.content:獲取bytes類型的響應(yīng)
③response.status_code:獲取狀態(tài)碼
④response.headers:獲取響應(yīng)頭
⑤response.request:獲取響應(yīng)對應(yīng)的請求

(3)為什么請求需要帶上header椎麦?

模擬瀏覽器,欺騙服務(wù)器材彪,獲取和瀏覽器一致的內(nèi)容
headers的形式:字典

2观挎、爬蟲——提取本地html中的數(shù)據(jù)

(1)建立一個index.html文件
<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Title</title>
</head>
<body>
<h1>歡迎來到王者榮耀琴儿!</h1>
<ul>
    <li><a ><img src="https://game.gtimg.cn/images/yxzj/img201606/heroimg/508/508.jpg" alt="">伽羅</a></li>
    <li>蘇烈</li>
    <li>孫策</li>
    <li>大喬</li>
</ul>

<ol>
    <li>射手</li>
    <li>坦克</li>
    <li>戰(zhàn)士</li>
    <li>輔助</li>
</ol>
<!-- div + css 布局 -->
<div>這是div標(biāo)簽</div>
<div id="container">
    <p>被動:伽羅的普攻與技能傷害將會優(yōu)先對目標(biāo)的護(hù)盾效果造成一次等額的傷害</p>
    <a >點擊跳轉(zhuǎn)至百度</a>
</div>
<div>這是第二個div標(biāo)簽</div>
</body>
</html>
(2)讀取html文件——使用xpath語法進(jìn)行提取

注:沒有l(wèi)xml即下載安裝:pip install lxml

from lxml import html
# 讀取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,獲得selector對象
    selector = html.fromstring(html_date)
    # selector中調(diào)用xpath方法
    # 要獲取標(biāo)簽中的內(nèi)容嘁捷,末尾要添加text()
    h1 = selector.xpath('/html/body/h1/text()')
    print(h1[0])

    # // 可以代表從任意位置出發(fā)
    # //標(biāo)簽1[@屬性=屬性值]/標(biāo)簽2[@屬性=屬性值]..../text()
    a = selector.xpath('//div[@id="container"]/a/text()')
    print(a)
    # 獲取 p標(biāo)簽的內(nèi)容
    p = selector.xpath('//div[@id="container"]/p/text()')
    print(p)

    # 獲取屬性
    link = selector.xpath('//div[@id="container"]/a/@href')
    print(link[0])
index.png

3造成、爬蟲——Requests

代碼塊1:

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

response = requests.get(url)
print(response)
print(response.text)  # 獲取str類型的響應(yīng)
print(response.content)  # 獲取bytes類型的響應(yīng)
print(response.headers)  # 獲取響應(yīng)頭
print(response.status_code)  # 獲取狀態(tài)碼
1.png

代碼塊2:編碼方式

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

代碼塊3:響應(yīng)頭

# 200 ok、404 網(wǎng)頁不存在雄嚣、500 服務(wù)器錯誤晒屎、503 服務(wù)器超時
# 沒有添加請求頭的知乎網(wǎng)站
# resp = requests.get('https://www.zhihu.com')
# print(resp.status_code)  # 顯示400
# 使用字典定義請求頭
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)
# 顯示200

4、爬蟲——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 = []
    # 目標(biāo)站點地址
    url = 'http://search.dangdang.com/?key={}&act=input'.format(isbn)
    # print(url)
    # 獲取站點str類型的響應(yīng)
    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
    #  將html頁面寫入本地
    with open('dangdang.html', 'w', encoding='utf-8') as f:
        f.write(html_data)

    # 提取目標(biāo)站的信息
    selector = html.fromstring(html_data)
    ul_list = selector.xpath('//div[@id="search_nature_rg"]/ul/li')
    print('您好缓升,共有{}家店鋪售賣此圖書'.format(len(ul_list)))

    # 遍歷 ul_list
    for li in ul_list:
        # 圖書名稱
        title = li.xpath('./a/@title')[0].strip()
        # print(title)

        # 圖書購買鏈接
        link = li.xpath('./a/@href')[0]
        # print(link)

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

        # 圖書賣家名稱
        store = li.xpath('./p[@class="search_shangjia"]/a/text()')
        # if len(store) == 0:
        #     store = '當(dāng)當(dāng)自營'
        # else:
        #     store = store[0]
        store = '當(dāng)當(dāng)自營' if len(store) == 0 else store[0]
        # print(store)

        # 添加每一個商家的圖書信息
        book_list.append({
            'title':title,
            'price':price,
            'link':link,
            'store':store
        })

    # 按照價格進(jìn)行排序
    book_list.sort(key=lambda x:x['price'])

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

    # 展示價格最低的前10家 柱狀圖
    # 店鋪的名稱
    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)
    # 圖書的價格
    y = [x['price'] for x in top10_store]
    print(y)
    # plt.bar(x, y)
    # plt.bar(x, y, rotation=75)
    plt.barh(x, y)  # 橫向
    plt.show()

    # 存儲成csv文件

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

spider_dangdang('9787115428028')   # 調(diào)用

['童心悅美圖書專營店', '當(dāng)當(dāng)自營', '百億德舊書專營店', '鑫源圖書專營店', '童心悅美圖書專營店', '暉文錦繡圖書專營店', '陽光瑞盛圖書專營店', '閱微閣圖書專營店', '金種子圖書專營店', '三味書屋圖書專營店']
[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鼓鲁、爬蟲——練習(xí)

電影名,上映日期仔沿,類型坐桩,上映國家,想看人數(shù)
根據(jù)想看人數(shù)進(jìn)行排序
繪制即將上映電影想看人數(shù)占比圖和即將上映電影國家的占比圖
繪制top5最想看的電影

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{}部電影即將上映'.format(len(div_list)))

    for div in div_list:
        # 電影名
        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)

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

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

        # 想看人數(shù)
        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)

        # 添加電影信息
        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)

    # 遍歷
    for movie in movie_list:
        print(movie)

    # 繪制即將上映電影最想看前五人數(shù)占比圖
    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()

     # 繪制即將上映電影國家的占比圖
    total = [x['country'] for x in movie_list]
    text = ''.join(total)
    print(text)
    words_list = jieba.lcut(text)
    print(words_list)
    counts = {}
    excludes ={"大陸"}
    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 = [] # 數(shù)量
    labels = [] # 國家
    for i in range(len(items)):
        x, y = items[i]
        numm.append(y)
        if(x == "中國"):
            x = "中國大陸"
        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
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末封锉,一起剝皮案震驚了整個濱河市绵跷,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌成福,老刑警劉巖碾局,帶你破解...
    沈念sama閱讀 211,348評論 6 491
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異奴艾,居然都是意外死亡净当,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,122評論 2 385
  • 文/潘曉璐 我一進(jìn)店門蕴潦,熙熙樓的掌柜王于貴愁眉苦臉地迎上來像啼,“玉大人,你說我怎么就攤上這事潭苞『龆常” “怎么了?”我有些...
    開封第一講書人閱讀 156,936評論 0 347
  • 文/不壞的土叔 我叫張陵此疹,是天一觀的道長僧诚。 經(jīng)常有香客問我,道長蝗碎,這世上最難降的妖魔是什么湖笨? 我笑而不...
    開封第一講書人閱讀 56,427評論 1 283
  • 正文 為了忘掉前任,我火速辦了婚禮蹦骑,結(jié)果婚禮上慈省,老公的妹妹穿的比我還像新娘。我一直安慰自己眠菇,他們只是感情好辫呻,可當(dāng)我...
    茶點故事閱讀 65,467評論 6 385
  • 文/花漫 我一把揭開白布清钥。 她就那樣靜靜地躺著,像睡著了一般放闺。 火紅的嫁衣襯著肌膚如雪祟昭。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 49,785評論 1 290
  • 那天怖侦,我揣著相機(jī)與錄音篡悟,去河邊找鬼。 笑死匾寝,一個胖子當(dāng)著我的面吹牛搬葬,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播艳悔,決...
    沈念sama閱讀 38,931評論 3 406
  • 文/蒼蘭香墨 我猛地睜開眼急凰,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了猜年?” 一聲冷哼從身側(cè)響起抡锈,我...
    開封第一講書人閱讀 37,696評論 0 266
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎乔外,沒想到半個月后掖看,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體巢株,經(jīng)...
    沈念sama閱讀 44,141評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡莉测,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,483評論 2 327
  • 正文 我和宋清朗相戀三年恢口,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片差购。...
    茶點故事閱讀 38,625評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡四瘫,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出欲逃,到底是詐尸還是另有隱情找蜜,我是刑警寧澤,帶...
    沈念sama閱讀 34,291評論 4 329
  • 正文 年R本政府宣布暖夭,位于F島的核電站,受9級特大地震影響撵孤,放射性物質(zhì)發(fā)生泄漏迈着。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 39,892評論 3 312
  • 文/蒙蒙 一邪码、第九天 我趴在偏房一處隱蔽的房頂上張望裕菠。 院中可真熱鬧,春花似錦闭专、人聲如沸奴潘。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,741評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽画髓。三九已至掘剪,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間奈虾,已是汗流浹背夺谁。 一陣腳步聲響...
    開封第一講書人閱讀 31,977評論 1 265
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點兒被人妖公主榨干…… 1. 我叫王不留肉微,地道東北人匾鸥。 一個月前我還...
    沈念sama閱讀 46,324評論 2 360
  • 正文 我出身青樓,卻偏偏與公主長得像碉纳,于是被迫代替她去往敵國和親勿负。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 43,492評論 2 348