Python7个爬虫小案例详解(附源码)下篇|全球速讯
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!
X 关闭
X 关闭
- 15G资费不大降!三大运营商谁提供的5G网速最快?中国信通院给出答案
- 2联想拯救者Y70发布最新预告:售价2970元起 迄今最便宜的骁龙8+旗舰
- 3亚马逊开始大规模推广掌纹支付技术 顾客可使用“挥手付”结账
- 4现代和起亚上半年出口20万辆新能源汽车同比增长30.6%
- 5如何让居民5分钟使用到各种设施?沙特“线性城市”来了
- 6AMD实现连续8个季度的增长 季度营收首次突破60亿美元利润更是翻倍
- 7转转集团发布2022年二季度手机行情报告:二手市场“飘香”
- 8充电宝100Wh等于多少毫安?铁路旅客禁止、限制携带和托运物品目录
- 9好消息!京东与腾讯续签三年战略合作协议 加强技术创新与供应链服务
- 10名创优品拟通过香港IPO全球发售4100万股 全球发售所得款项有什么用处?