爬蟲
網絡爬蟲是一個自動提取網頁的程序,它為搜索引擎從萬維網上下載網頁,是搜索引擎的重要組成。傳統爬蟲從一個或若干初始網頁的URL開始,獲得初始網頁上的URL,在抓取網頁的過程中,不斷從當前頁面上抽取新的URL放入隊列,直到滿足系統的一定停止條件。
提取本地html中的數據
1.新建html文件
2.讀取
3.使用 lxml 中的 xpath 語法進行提取
比如:使用lxml提取h1標簽中的內容
from lxml import html
# 讀取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,獲得selector對象
selector = html.fromstring(html_data)
# selector 中調用xpath方法
# 要獲取標簽中的內容,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
# //標簽1[@屬性=屬性值]/標簽2[@屬性=屬性值]....
a = selector.xpath('//div[@id="container"]/a/text()')
print(a[0])
# 獲取p標簽的內容
p = selector.xpath('//div[@id="container"]/p1/text()')
print(p[0])
# 獲取屬性
link = selector.xpath('//div[@id="container"]/a/@href')
print(link[0])
執行結果如下
網絡爬蟲使用requests庫
在使用python爬蟲爬取數據的時候,經常會遇到一些網站的反爬蟲措施,一般就是針對于headers中的User-Agent,如果沒有對headers進行設置,User-Agent會聲明自己是python腳本,而如果網站有反爬蟲的想法的話,必然會拒絕這樣的連接。而修改headers可以將自己的爬蟲腳本偽裝成瀏覽器的正常訪問,來避免這一問題。
import requests
from lxml import html
url = 'http://www.dangdang.com'
response = requests.get(url)
print(response)
# 獲取str類型的響應 根據http頭部對響應的編碼做出有根據的推測
print(response.text)
# 獲取bytes類型的響應
print(response.content)
# 獲取響應頭
print(response.headers)
# 獲取狀態碼
print(response.status_code)
print(response.encoding)
沒有添加請求頭
resp = requests.get('https://www.zhihu.com')
print(resp.status_code)
使用字典定義請求頭
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)
運行結果大致如下:
也可以將爬到的html頁面寫入本地
import requests
def spider_dangdang(isbn):
book_list = []
# 目標站點地址
url = 'http://search.dangdang.com/?key={}&act=input'.format(isbn)
# 獲取站點str類型的響應
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
# 將html頁面寫入本地
with open('dangdnag.html', 'w', encoding='utf-8') as f:
f.write(html_data)
spider_dangdang(9787115428028)
執行程序之后,文件夾中就會生成爬到的html文檔$JOOAMX01JC)I({5ZQ1W}9F.jpg
我們還可以獲取目標站點的詳細信息
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 = []
# 目標站點地址
url = 'http://search.dangdang.com/?key={}&act=input'.format(isbn)
# 獲取站點str類型的響應
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
# 將html頁面寫入本地
# with open('dangdnag.html', 'w', encoding='utf-8') as f:
# f.write(html_data)
# 提取目標站的信息
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('圖書名稱:', title)
# 圖書價格
price = li.xpath('./p[@class="price"]/span[@class="search_now_price"]/text()')[0]
price = float(price.replace('¥', ''))
print('圖書價格:', price)
# 圖書購買鏈接
link = li.xpath('./a/@href')[0]
print('圖書購買鏈接:', link)
# 圖書賣家名稱
store = li.xpath('./p[@class="search_shangjia"]/a[1]/text()')
# if len(store) == 0:
# store = "當當自營"
# else:
# store = store[0]
# price = price.replace('¥', '')
store = "當當自營" if len(store) == 0 else store[0]
print('圖書賣家名稱:', store)
print('')
spider_dangdang(9787115428028)
可以得到下面的結果
我們可以追加一下代碼按照價格進行排序,并遍歷圖書信息
#按照價格進行排序
book_list.sort(key=lambda x: x['price'])
# 遍歷book_list
for book in book_list:
print(book)
可以得到下面的結果
用下面的代碼,我們可以將數據存儲成csv文件
df = pd.DataFrame(book_list)
df.to_csv('dangdang.csv')
記得導入 pandas
import pandas as pd
執行程序,文件夾中就會生成相應的csv文件
也能用柱狀圖展示價格最低的前十家
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()
記得導入包,否則會報錯
from matplotlib import pyplot as plt
plt.rcParams["font.sans-serif"] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
練習
提取https://movie.douban.com/cinema/later/chongqing網站以下信息,并且根據信息完成3,4效果
1.電影名,上映日期,類型,上映國家,想看人數
2.根據想看人數進行排序
3.繪制即將上映電影國家的占比圖
4.繪制top5最想看的電影
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 = {}
# 目標站點地址
url = 'https://movie.douban.com/cinema/later/chongqing/'
# 獲取站點str類型的響應
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
# 將html頁面寫入本地
# with open('douban.html', 'w', encoding='utf-8') as f:
# f.write(html_data)
# 提取目標站的信息
selector = html.fromstring(html_data)
ul_list = selector.xpath('//div[@id="showing-soon"]/div')
print('您好,一共有{}部電影即將上映'.format(len(ul_list)))
# 遍歷ul_list
for li in ul_list:
# 電影名
title = li.xpath('./div[@class="intro"]/h3/a/text()')[0]
print('電影名:', 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)
#
# 類型
type = li.xpath('./div[@class="intro"]/ul/li[2]/text()')[0]
types = str(type.replace('/', ','))
print('類型:', types)
# 上映國家
nation = li.xpath('./div[@class="intro"]/ul/li[3]/text()')[0]
print('上映國家:', nation)
# 想看人數
want_num = li.xpath('./div[@class="intro"]/ul/li[4]/span/text()')[0]
want_num = int(want_num.replace('人想看', ''))
print('想看人數:', want_num)
# 添加每一部電影的信息
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) # 圖例位置
plt.axis('equal')
plt.show()
# 按照價格進行排序
movies_list.sort(key=lambda x: x['want_num'], reverse=True)
# 遍歷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()
可以得到下面的結果: