Python高级应用程序设计任务

Python高级应用程序设计任务要求

用Python实现一个面向主题的网络爬虫程序，并完成以下内容：
（注：每人一题，主题内容自选，所有设计内容与源代码需提交到博客园平台）

一、主题式网络爬虫设计方案（15分）
1.主题式网络爬虫名称

  瓜子二手车网站数据爬取
2.主题式网络爬虫爬取的内容与数据特征分析

品牌、车型、年月、公里数、售价

 爬取内容：基本参数、发动机参数、底盘及制动、安全配置、外部配置、内部配置
3.主题式网络爬虫设计方案概述（包括实现思路与技术难点）

爬取瓜子二手车数据实现思路：使用requests库爬取数据、生成所有需要抓取的URL，对所有目标链接进行数据抓取，存储数据

爬取瓜子二手车数据技术难点：瓜子二手车网运用的反爬虫措施主要有js混淆，根据发送的原始header和js混淆生成特定的cookie才能访问到网站。
deal_head.py处理的数js混淆和生成特定的header。原始header的user-agent必须是使用电脑相同的平台（windows、linux），不一致返回不了有效的cookie。

二、主题页面的结构特征分析（15分）
1.主题页面的结构特征

 

 

2.Htmls页面解析

 主题页面为瓜子二手车网站宝马检索结果的HTML代码，需要的信息保存在carlist选择器属性的标签中

 

 

 页数内容在该结构中，以此分析如何按页爬取所需要的数据

3.节点（标签）查找方法与遍历方法
（必要时画出节点树结构）

→

→

• 三、网络爬虫程序设计（60分）
  爬虫程序主体要包括以下各部分，要附源代码及较详细注释，并在每部分程序后面提供输出结果的截图。
  1.数据爬取与采集

  # 导入第三方包
  import requests
  from bs4 import BeautifulSoup
  import time
  
  # 设置伪头
  headers = {
      'Accept':'*/*',
      'Accept-Encoding':'gzip, deflate, br',
      'Accept-Language':'zh-CN,zh;q=0.8',
      'Connection':'keep-alive',
      'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.79 Safari/537.36'
  }
  # 二手车主页的链接
  url = 'https://www.guazi.com/quanzhou/bmw/'
  # 发出抓取链接的请求并进一步解析
  res = requests.get(url, headers = headers).text
  soup = BeautifulSoup(res,'html.parser')
  # 抓取二手车品牌名称及对应的链接
  car_brands = soup.findAll('div',{'class':'brand-name'})
  car_brands = [j for i in car_brands for j in i]
  brands = [i.text for i in car_brands]
  urls = ['https://www.guazi.com/quanzhou/bmw/' + i['href'] for i in car_brands]
  # 生成所需抓取的目标链接
  target_urls = []
  target_brands = []
  for b,u in zip(brands,urls):
      # 抓取各品牌二手车主页下的所有页码
      res = requests.get(u, headers = headers).text
      soup = BeautifulSoup(res,'html.parser')
      # 查询出页数
      if len(soup.findAll('div',{'class':'the-pages'})) == 0:
          pages = 1
      else:
          pages = int([page.text for page in soup.findAll('div',{'class':'the-pages'})[0].findAll('a')][-2])
      time.sleep(3)
      
      for i in range(1,pages + 1):
          target_brands.append(b)
          target_urls.append(u+'?page='+str(i)+'#pagetag')
  # 构建空列表，用于数据的存储
  brand = []
  title = []
  boarding_time = []
  km = []
  discharge = []
  sec_price = []
  new_price = []
  # 对每个链接发生请求
  for b,u in zip(target_brands,target_urls):
      
      res = requests.get(u, headers = headers).text
      soup = BeautifulSoup(res,'html.parser')
      
      # 每页车子的数量
      N = len([i.findAll('a')[0]['title'] for i in soup.findAll('div',{'class':'item_details'})])
      try:
          # 车品牌
          brands = (b+'-')*N
          brand.extend(brands.split('-')[:-1])
          # 车名称
          title.extend([i.findAll('a')[0]['title'] for i in soup.findAll('div',{'class':'item_details'})])
          # 二手车的上牌时间、行驶里程数等信息
          info = [i.findAll('li') for i in soup.findAll('ul',{'class':'ul_news'})]
          boarding_time.extend([i[0].text[4:] for i in info])
          km.extend([i[1].text[4:] for i in info])
          discharge.extend([i[3].text[4:] for i in info])
          sec_price.extend([float(i.findAll('h2')[0].text[:-1]) for i in soup.findAll('div',{'class':'item_price'})])
          new_price.extend([i.findAll('p')[0].text.split('\xa0')[0][5:].strip() for i in soup.findAll('div',{'class':'item_price'})])
          
      except IndexError:
          pass
      # 每4秒停顿一次
      time.sleep(4)
  # 数据导出
  import pandas as pd
  cars_info = pd.DataFrame([brand,title,boarding_time,km,discharge,sec_price,new_price]).T
  cars_info = cars_info.rename(columns={0:'Brand',1:'Name',2:'Boarding_time',3:'Km',4:'Discharge',5:'Sec_price',6:'New_price'})
  cars_info.to_csv('second_cars_info.csv', index=False)

  2.对数据进行清洗和处理

  # 导入第三方模块
  import pandas as pd
  import numpy as np
  import matplotlib.pyplot as plt
  from nbconvert.exporters import python
  from sklearn.linear_model import LinearRegression
  # 可视化的中文处理
  plt.rcParams['font.sans-serif'] = 'Microsoft YaHei'
  plt.rcParams['axes.unicode_minus'] = False
  # 设置风格
  plt.style.use('ggplot')
  # 读取数据
  cars = pd.read_csv('second_cars_info.csv', encoding='utf-8')
  # 取出上牌时间变量中的年和月
  cars['year'] = cars.Boarding_time.str[:4].astype('int')
  month = cars.Boarding_time.str.findall('年(.*?)月')
  # print(month.head(10))
  # 由于month是列表构成的序列，所以需要非列表化，再序列化
  month = pd.Series([i[0] for i in month]).astype('int')
  cars['month'] = month
  # print(month.head(10))
  # 计算上牌日期距离2017年10月份的月数
  cars['diff_months'] = (2017 - cars.year) * 12 + (10 - cars.month) + 1
  # 显示数据的前5行
  cars.head(5)
  # 剔除“万公里”三个字
  cars['Km_new'] = cars.Km.str[:-3]
  # 数值类型转换
  cars.Km_new = cars.Km_new.astype('float')
  # “百公里内”的样本量
  N = np.sum(cars.Km == '百公里内')
  Ratio = N / cars.shape[0]
  # 将“百”字替换为0.005
  cars.Km_new.replace('百', '0.005', inplace=True)
  # 数据类型转换
  cars.Km_new = cars.Km_new.astype('float')
  cars.head()
  # 删除字段中的“万”字
  cars['New_price_new'] = cars.New_price.str[:-1]
  # “暂无”的样本量
  N = np.sum(cars.New_price == '暂无')
  Ratio = N / cars.shape[0]
  cars = cars.loc[cars.New_price != '暂无', :]
  # 数据类型的转换
  cars.New_price_new = cars.New_price_new.astype('float')
  cars.head()
  # 数据集的概览信息
  cars.describe()

  3.文本分析（可选）：jieba分词、wordcloud可视化
  4.数据分析与可视化
  （例如：数据柱形图、直方图、散点图、盒图、分布图、数据回归分析等）

  # 行驶公里数饼状图
  km_min = cars.Km_new.min()
  km_max = cars.Km_new.max()
  # 切割数据片段
  km_cuts = pd.cut(cars.Km_new, bins=[km_min, 1, 3, 5, 10, km_max])
  km_stats = km_cuts.value_counts()
  km_stats
  # 绘制饼图
  # 将横、纵坐标轴标准化处理
  plt.axes(aspect='equal')
  # 提取出索引作为标签
  labels = km_stats.index
  # 自定义颜色
  colors = ['#9999ff', '#ff9999', '#7777aa', '#2442aa', '#dd5555']
  # 绘制饼图
  plt.pie(km_stats.values,
          labels=labels,
          colors=colors,  # 设置颜色
          autopct='%.1f%%',  # 设置百分比的格式，这里保留一位小数
          counterclock=False,  # 设置为顺时针方向显示图形
          wedgeprops={'linewidth': 1.5, 'edgecolor': 'green'},  # 设置饼图内外边界的属性值
          textprops={'fontsize': 12, 'color': 'k'}  # 设置文本标签的属性值
          )
  # 添加图标题
  plt.title('二手车行驶公里数分布（万公里）')
  # 显示图形   
  plt.show()

  

   

   

  5.数据持久化

  数据导出为CSV文件实现数据持久化操作

  # 数据导出
  import pandas as pd
  cars_info = pd.DataFrame([brand,title,boarding_time,km,discharge,sec_price,new_price]).T
  cars_info = cars_info.rename(columns={0:'Brand',1:'Name',2:'Boarding_time',3:'Km',4:'Discharge',5:'Sec_price',6:'New_price'})
  cars_info.to_csv('second_cars_info.csv', index=False)

  

   

  6.附完整程序代码

  # 导入第三方包
  import requests
  from bs4 import BeautifulSoup
  import time
  
  # 设置伪头
  headers = {
      'Accept':'*/*',
      'Accept-Encoding':'gzip, deflate, br',
      'Accept-Language':'zh-CN,zh;q=0.8',
      'Connection':'keep-alive',
      'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.79 Safari/537.36'
  }
  # 二手车主页的链接
  url = 'https://www.guazi.com/quanzhou/bmw/'
  # 发出抓取链接的请求并进一步解析
  res = requests.get(url, headers = headers).text
  soup = BeautifulSoup(res,'html.parser')
  
  # 抓取二手车品牌名称及对应的链接
  car_brands = soup.findAll('div',{'class':'brand-name'})
  car_brands = [j for i in car_brands for j in i]
  brands = [i.text for i in car_brands]
  urls = ['https://www.guazi.com/quanzhou/bmw/' + i['href'] for i in car_brands]
  # 生成所需抓取的目标链接
  target_urls = []
  target_brands = []
  for b,u in zip(brands,urls):
      # 抓取各品牌二手车主页下的所有页码
      res = requests.get(u, headers = headers).text
      soup = BeautifulSoup(res,'html.parser')
      # 查询出页数
      if len(soup.findAll('div',{'class':'the-pages'})) == 0:
          pages = 1
      else:
          pages = int([page.text for page in soup.findAll('div',{'class':'the-pages'})[0].findAll('a')][-2])
      time.sleep(3)
      
      for i in range(1,pages + 1):
          target_brands.append(b)
          target_urls.append(u+'?page='+str(i)+'#pagetag')
  # 构建空列表，用于数据的存储
  brand = []
  title = []
  boarding_time = []
  km = []
  discharge = []
  sec_price = []
  new_price = []
  
  # 对每个链接发生请求
  for b,u in zip(target_brands,target_urls):   
      res = requests.get(u, headers = headers).text
      soup = BeautifulSoup(res,'html.parser')    
      # 每页车子的数量
      N = len([i.findAll('a')[0]['title'] for i in soup.findAll('div',{'class':'item_details'})])
      try:
          # 车品牌
          brands = (b+'-')*N
          brand.extend(brands.split('-')[:-1])
          # 车名称
          title.extend([i.findAll('a')[0]['title'] for i in soup.findAll('div',{'class':'item_details'})])
          # 二手车的上牌时间、行驶里程数等信息
          info = [i.findAll('li') for i in soup.findAll('ul',{'class':'ul_news'})]
          boarding_time.extend([i[0].text[4:] for i in info])
          km.extend([i[1].text[4:] for i in info])
          discharge.extend([i[3].text[4:] for i in info])
          sec_price.extend([float(i.findAll('h2')[0].text[:-1]) for i in soup.findAll('div',{'class':'item_price'})])
          new_price.extend([i.findAll('p')[0].text.split('\xa0')[0][5:].strip() for i in soup.findAll('div',{'class':'item_price'})])        
      except IndexError:
          pass
      # 每4秒停顿一次
      time.sleep(4)
  # 数据导出
  import pandas as pd
  cars_info = pd.DataFrame([brand,title,boarding_time,km,discharge,sec_price,new_price]).T
  cars_info = cars_info.rename(columns={0:'Brand',1:'Name',2:'Boarding_time',3:'Km',4:'Discharge',5:'Sec_price',6:'New_price'})
  cars_info.to_csv('second_cars_info.csv', index=False)

  # 导入第三方模块
  import pandas as pd
  import numpy as np
  import matplotlib.pyplot as plt
  from nbconvert.exporters import python
  from sklearn.linear_model import LinearRegression
  # 可视化的中文处理
  plt.rcParams['font.sans-serif'] = 'Microsoft YaHei'
  plt.rcParams['axes.unicode_minus'] = False
  # 设置风格
  plt.style.use('ggplot')
  # 读取数据
  cars = pd.read_csv('second_cars_info.csv', encoding='utf-8')
  # 取出上牌时间变量中的年和月
  cars['year'] = cars.Boarding_time.str[:4].astype('int')
  month = cars.Boarding_time.str.findall('年(.*?)月')
  # print(month.head(10))
  # 由于month是列表构成的序列，所以需要非列表化，再序列化
  month = pd.Series([i[0] for i in month]).astype('int')
  cars['month'] = month
  # print(month.head(10))
  # 计算上牌日期距离2017年10月份的月数
  cars['diff_months'] = (2017 - cars.year) * 12 + (10 - cars.month) + 1
  # 显示数据的前5行
  cars.head(5)
  # 剔除“万公里”三个字
  cars['Km_new'] = cars.Km.str[:-3]
  # 数值类型转换
  cars.Km_new = cars.Km_new.astype('float')
  # “百公里内”的样本量
  N = np.sum(cars.Km == '百公里内')
  Ratio = N / cars.shape[0]
  # 将“百”字替换为0.005
  cars.Km_new.replace('百', '0.005', inplace=True)
  # 数据类型转换
  cars.Km_new = cars.Km_new.astype('float')
  cars.head()
  # 删除字段中的“万”字
  cars['New_price_new'] = cars.New_price.str[:-1]
  # “暂无”的样本量
  N = np.sum(cars.New_price == '暂无')
  Ratio = N / cars.shape[0]
  cars = cars.loc[cars.New_price != '暂无', :]
  # 数据类型的转换
  cars.New_price_new = cars.New_price_new.astype('float')
  cars.head()
  # 数据集的概览信息
  cars.describe()
  # 行驶公里数的饼图展现
  km_min = cars.Km_new.min()
  km_max = cars.Km_new.max()
  # 指定任意的切割点，将数据分段
  km_cuts = pd.cut(cars.Km_new, bins=[km_min, 1, 3, 5, 10, km_max])
  km_stats = km_cuts.value_counts()
  # 绘制饼图
  # 将横、纵坐标轴标准化处理.
  plt.axes(aspect='equal')
  # 提取出索引作为标签
  labels = km_stats.index
  # 自定义颜色
  colors = ['#9999ff', '#ff9999', '#7777aa', '#2442aa', '#dd5555']
  # 绘制饼图
  plt.pie(km_stats.values,
          labels=labels,
          colors=colors,  # 设置颜色
          autopct='%.1f%%',  # 设置百分比的格式，这里保留一位小数
          counterclock=False,  # 设置为顺时针方向显示图形
          wedgeprops={'linewidth': 1.5, 'edgecolor': 'green'},  # 设置饼图内外边界的属性值
          textprops={'fontsize': 12, 'color': 'k'}  # 设置文本标签的属性值
          )
  # 添加图标题
  plt.title('二手车行驶公里数分布（万公里）')
  # 显示图形   
  plt.show()

   

  四、结论（10分）
  1.经过对主题数据的分析与可视化，可以得到哪些结论？

  在瓜子二手车网站中行驶5到10万公里里程的车所占比例最多为53.7%，车的里程数与二手价格成反比，瓜子二手车网站提供给用户的数据较多，有车型，行车价格，二手车价格，里程数，上牌日期等。
  2.对本次程序设计任务完成的情况做一个简单的小结。

  让我更加熟悉python的诸多爬取方法，让我认识到了BeautifulSoup以及matplotlib爬取的可靠性，应对瓜子二手车网站的防爬手段我也试过多种方法找到了用js混淆，根据发送的原始header和js混淆生成特定的cookie访问到网站进行爬取。