Python7个爬虫小案例详解(附源码)下篇|全球速讯
来源:脚本之家    时间:2023-01-12 11:02:40
目录
前言题目五:实现多种方法模拟登录知乎,并爬取与一个与江汉大学有关问题和答案题目六:综合利用所学知识,爬取某个某博用户前5页的微博内容题目七:自选一个热点或者你感兴趣的主题,爬取数据并进行简要数据分析

本次的7个python爬虫小案例涉及到了re正则、xpath、beautiful soup、selenium等知识点,非常适合刚入门python爬虫的小伙伴参考学习。


【资料图】

前言

关于Python7个爬虫小案例的文章分为三篇,本篇为下篇,共三题,其余两篇内容请关注!

题目五:

实现多种方法模拟登录知乎,并爬取与一个与江汉大学有关问题和答案

首先使用selenium打开知乎登录页面,接着使用手机进行二维码扫描登录

进入页面后,打开开发者工具,找到元素,,定位输入框,输入汉江大学,然后点击搜索按钮

以第二条帖子为例,进行元素分析。

源代码及结果截图:

from time import sleep
from selenium.webdriver.chrome.service import Service
from selenium.webdriver import Chrome,ChromeOptions
from selenium.webdriver.common.by import By
import warnings
 
def main():
    #忽略警告
    warnings.filterwarnings("ignore")
    # 创建一个驱动
    service = Service("chromedriver.exe")
    options = ChromeOptions()
    # 伪造浏览器
    options.add_experimental_option("excludeSwitches", ["enable-automation","enable-logging"])
    options.add_experimental_option("useAutomationExtension", False)
    # 创建一个浏览器
    driver = Chrome(service=service,options=options)
    # 绕过检测
    driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {
        "source": """
               Object.defineProperty(navigator, "webdriver", {
               get: () => false
               })
           """
    })
    # 打开知乎登录页面
    driver.get("https://www.zhihu.com/")
    sleep(30)
    # 点击搜索框
    driver.find_element(By.ID,"Popover1-toggle").click()
    # 输入内容
    driver.find_element(By.ID,"Popover1-toggle").send_keys("汉江大学")
    sleep(2)
    # 点击搜索图标
    driver.find_element(By.XPATH,"//*[@id="root"]/div/div[2]/header/div[2]/div[1]/div/form/div/div/label/button").click()
    # 等待页面加载完
    driver.implicitly_wait(20)
    # 获取标题
    title = driver.find_element(By.XPATH,"//*[@id="SearchMain"]/div/div/div/div/div[2]/div/div/div/h2/div/a/span").text
    # 点击阅读全文
    driver.find_element(By.XPATH,"//*[@id="SearchMain"]/div/div/div/div/div[2]/div/div/div/div/span/div/button").click()
    sleep(2)
    # 获取帖子内容
    content = driver.find_element(By.XPATH,"//*[@id="SearchMain"]/div/div/div/div/div[2]/div/div/div/div/span[1]/div/span/p").text
    # 点击评论
    driver.find_element(By.XPATH,"//*[@id="SearchMain"]/div/div/div/div/div[2]/div/div/div/div/div[3]/div/div/button[1]").click()
    sleep(2)
    # 点击获取更多评论
    driver.find_element(By.XPATH,"//*[@id="SearchMain"]/div/div/div/div/div[2]/div/div/div/div[2]/div/div/div[2]/div[2]/div/div[3]/button").click()
    sleep(2)
    # 获取评论数据的节点
    divs = driver.find_elements(By.XPATH,"/html/body/div[6]/div/div/div[2]/div/div/div/div[2]/div[3]/div")
    try:
        for div in divs:
            # 评论内容
            comment = div.find_element(By.XPATH,"./div/div/div[2]").text
            f.write(comment)  # 写入文件
            f.write("\n")
            print(comment)
    except:
        driver.close()
 
if __name__ == "__main__":
    # 创建文件存储数据
    with open("05.txt","a",encoding="utf-8")as f:
        main()

题目六:

综合利用所学知识,爬取某个某博用户前5页的微博内容

这里我们选取了人民日报的微博内容进行爬取,具体页面我就不放这了,怕违规。

源代码:

import requests
import csv
from time import sleep
import random
 
def main(page):
    url = f"https://weibo.com/ajax/statuses/mymblog?uid=2803301701&page={page}&feature=0&since_id=4824543023860882kp{page}"
    headers = {
        "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36",
        "cookie":"SINAGLOBAL=6330339198688.262.1661412257300; ULV=1661412257303:1:1:1:6330339198688.262.1661412257300:; PC_TOKEN=8b935a3a6e; SUBP=0033WrSXqPxfM725Ws9jqgMF55529P9D9WWoQDW1G.Vsux_WIbm9NsCq5JpX5KMhUgL.FoMNShMN1K5ESKq2dJLoIpjLxKnL1h.LB.-LxKqLBoBLB.-LxKqLBKeLB--t; ALF=1697345086; SSOLoginState=1665809086; SCF=Auy-TaGDNaCT06C4RU3M3kQ0-QgmTXuo9D79pM7HVAjce1K3W92R1-fHAP3gXR6orrHK_FSwDsodoGTj7nX_1Hw.; SUB=_2A25OTkruDeRhGeFJ71UW-S7OzjqIHXVtOjsmrDV8PUNbmtANLVKmkW9Nf9yGtaKedmyOsDKGh84ivtfHMGwvRNtZ; XSRF-TOKEN=LK4bhZJ7sEohF6dtSwhZnTS4; WBPSESS=PfYjpkhjwcpEXrS7xtxJwmpyQoHWuGAMhQkKHvr_seQNjwPPx0HJgSgqWTZiNRgDxypgeqzSMsbVyaDvo7ng6uTdC9Brt07zYoh6wXXhQjMtzAXot-tZzLRlW_69Am82CXWOFfcvM4AzsWlAI-6ZNA=="
    }
    resp = requests.get(url,headers=headers)
    data_list = resp.json()["data"]["list"]
    for item in data_list:
        created_time = item["created_at"]  # 发布时间
        author = item["user"]["screen_name"]   # 作者
        title = item["text_raw"]   # 帖子标题
        reposts_count = item["reposts_count"]  # 转发数
        comments_count = item["comments_count"]  # 评论数
        attitudes_count = item["attitudes_count"]  # 点赞数
        csvwriter.writerow((created_time,author,title,reposts_count,comments_count,attitudes_count))
        print(created_time,author,title,reposts_count,comments_count,attitudes_count)
    print(f"第{page}页爬取完毕")
 
if __name__ == "__main__":
    # 创建保存数据的csv文件
    with open("06-2.csv","a",encoding="utf-8",newline="")as f:
        csvwriter = csv.writer(f)
        # 添加文件表头
        csvwriter.writerow(("发布时间","发布作者","帖子标题","转发数","评论数","点赞数"))
        for page in range(1,6):  # 爬取前5页数据
            main(page)
            sleep(5+random.random())

题目七:

自选一个热点或者你感兴趣的主题,爬取数据并进行简要数据分析

(例如,通过爬取电影的名称、类型、总票房等数据统计分析不同类型电影的平均票房,十年间每年票房冠军的票房走势等;通过爬取中国各省份地区人口数量,统计分析我国人口分布等)

本次选取的网址是艺恩娱数,目标是爬取里面的票房榜数据,通过开发者工具抓包分析找到数据接口,然后开始编写代码进行数据抓取。

源代码及结果截图:

import requests
import csv
import pandas as pd
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings("ignore")
plt.rcParams["font.sans-serif"] = ["SimHei"] #解决中文显示
plt.rcParams["axes.unicode_minus"] = False   #解决符号无法显示
 
def main():
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36",}
    data = {
        "r": "0.9936776079863086",
        "top": "50",
        "type": "0",
    }
    resp = requests.post("https://ys.endata.cn/enlib-api/api/home/getrank_mainland.do", headers=headers, data=data)
    data_list = resp.json()["data"]["table0"]
    for item in data_list:
        rank = item["Irank"]  # 排名
        MovieName = item["MovieName"]  # 电影名称
        ReleaseTime = item["ReleaseTime"]  # 上映时间
        TotalPrice = item["BoxOffice"]   # 总票房(万)
        AvgPrice = item["AvgBoxOffice"]   # 平均票价
        AvgAudienceCount = item["AvgAudienceCount"]  # 平均场次
        # 写入csv文件
        csvwriter.writerow((rank,MovieName,ReleaseTime,TotalPrice,AvgPrice,AvgAudienceCount))
        print(rank,MovieName,ReleaseTime,TotalPrice,AvgPrice,AvgAudienceCount)
 
def data_analyze():
    # 读取数据
    data = pd.read_csv("07.csv")
    # 从上映时间中提取出年份
    data["年份"] = data["上映时间"].apply(lambda x: x.split("-")[0])
    # 各年度上榜电影总票房占比
    df1 = data.groupby("年份")["总票房(万)"].sum()
    plt.figure(figsize=(6, 6))
    plt.pie(df1, labels=df1.index.to_list(), autopct="%1.2f%%")
    plt.title("各年度上榜电影总票房占比")
    plt.show()
    # 各个年份总票房趋势
    df1 = data.groupby("年份")["总票房(万)"].sum()
    plt.figure(figsize=(6, 6))
    plt.plot(df1.index.to_list(), df1.values.tolist())
    plt.title("各年度上榜电影总票房趋势")
    plt.show()
    # 平均票价最贵的前十名电影
    print(data.sort_values(by="平均票价", ascending=False)[["年份", "电影名称", "平均票价"]].head(10))
    # 平均场次最高的前十名电影
    print(data.sort_values(by="平均场次", ascending=False)[["年份", "电影名称", "平均场次"]].head(10))
 
 
if __name__ == "__main__":
    # 创建保存数据的csv文件
    with open("07.csv", "w", encoding="utf-8",newline="") as f:
        csvwriter = csv.writer(f)
        # 添加文件表头
        csvwriter.writerow(("排名", "电影名称", "上映时间", "总票房(万)", "平均票价", "平均场次"))
        main()
    # 数据分析
    data_analyze()

从年度上榜电影票房占比来看,2019年占比最高,说明2019年这一年的电影质量都很不错,上榜电影多而且票房高。

从趋势来看,从2016年到2019年,上榜电影总票房一直在增长,到2019年达到顶峰,说明这一年电影是非常的火爆,但是从2020年急剧下滑,最大的原因应该是这一年年初开始爆发疫情,导致贺岁档未初期上映,而且由于疫情影响,电影院一直处于关闭状态,所以这一年票房惨淡。

这篇关于Python7个爬虫小案例详解(附源码)下篇的文章就介绍到这了,其他两个部分的内容(上、中篇)请搜索脚本之家以前的文章或继续浏览下面的相关文章。

好了,本次七个案例的分享到此全部结束,希望对刚入手爬虫的小伙伴有所帮助。

希望大家以后多多支持脚本之家!

关键词: 数据分析 江汉大学 添加文件 综合利用 一个热点

上一篇:

下一篇:

X 关闭

X 关闭