学习python的第四天

爬虫

1、爬虫基础

1.1、获取网址

url='https://www.baidu.com'
response=requests.get(url)

1.2、获取str类型的响应

print(response.text)

1.3、获取bytes类型的响应

print(response.content)

1.4、获取响应头

print(response.headers)

1.5、获取状态码

print(response.status_code)

1.6、返回200成功，400未找到，500服务器错误

1.7、响应头用以伪装成浏览器

#没有添加响应头
# resp=requests.get('https://www.zhihu.com/')
# print(resp.status_code)
#运行返回400

#使用字典定义请求头
headers={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36"}
resp=requests.get('https://pvp.qq.com/')
print(resp.status_code)
#运行返回200

2、静态网页爬虫

2.1、导入lxml库

from lxml import html

2.2、打开并读取本地html文件

with open('./index.html','r',encoding='utf-8') as f:
    html_data=f.read()
    print(html_data)

2.3、解析html文件，获取selector对象

    selector =html.fromstring(html_data)
    #要获取标签内容，末尾要添加text（）
    h1=selector.xpath('/html/body/h1/text()')
    print(h1[0])

2.4、//表示可以代表任意位置出发

#//标签1[@属性=属性值]/标签2[@属性=属性值]..../text（）
a=selector.xpath('//div[@id="container"]/a/text()')
print(a)

3、动态网页爬虫（当当网和电影网）

3.1、导入库

import requests
from lxml import html
import pandas as pd
from matplotlib import pyplot as plt

3.2、设置响应头和url（浏览器中按f12，点击network，刷新界面，下面的name中随意选取查看右边信息的User-Agent）

def spider_dangdang(isbn):
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36"}
#装图书信息的list
    book_list = []
    #目标站点地址
    url='http://search.dangdang.com/?key={}&act=input'.format(isbn)
  

3.3、获取站点str类型的响应

    resp=requests.get(url,headers=headers)
    html_data=resp.text

3.4、提取目标站所有图书信息

   selector=html.fromstring(html_data)
   ul_list=selector.xpath('//div[@id="search_nature_rg"]/ul/li')
   print('您好，共有{}家店铺售卖此书'.format(len(ul_list)))

3.5、遍历信息获取想要的数据

 #遍历 ul_list
    for li in ul_list:
        #图书名
        title=li.xpath('./a/@title')[0].strip()
        # print(title)
        #图书购买链接
        link=li.xpath('a/@href')[0]
        # print(link)
        #图书价格
        price=li.xpath('./p[@class="price"]/span[@class="search_now_price"]/text()')[0]
        price = float(price.replace('¥', ''))
        # print(price)
        #图书卖家名称
        store =li.xpath('./p[@class="search_shangjia"]/a/text()')
        # if len(store)==0:
        #     store='当当自营'
        store='当当自营' if len(store) ==0 else store[0]
        #添加每个商家的图书信息
        book_list.append({
            'title':title,
            'link':link,
            'price':price,
            'store':store
        })
 #排序
    book_list.sort(key=lambda x:x['price'])

3.6、获取销量最高的10家绘制柱状图

 #展示价格最低的10家 柱状图
    top10_store=[book_list[i] for i in range(10)]
    # x=[]
    # for stroe in top10_store:
    #     x.append(store['store'])
    x=[x['store'] for x in top10_store]
    y=[x['price'] for x in top10_store]
    plt.barh(x,y)
    plt.show()

3.7、存储成csv文件

    df=pd.DataFrame(book_list)
    df.to_csv('dangdang.csv')
#以上步骤均是在函数spider_dangdang中执行

3.8、调用函数

#要查询的图书的编号9787115428028
spider_dangdang('9787115428028')

4、电影网爬虫

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_film():
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36"}
    film_list = []
    #目标站点地址

    url='https://movie.douban.com/cinema/later/chongqing/'
    #获取站点str类型的响应
    resp=requests.get(url,headers=headers)
    html_data=resp.text

    #提取目标站信息
    selector=html.fromstring(html_data)
    ul_list=selector.xpath('//div[@id="showing-soon"]/div')
    print('您好，共有{}部电影'.format(len(ul_list)))

    #遍历 ul_list
    for div in ul_list:
        #电影名
        title=div.xpath('./div/h3/a/text()')[0]
        print(title)
        #上映日期
        date=div.xpath('./div/ul/li/text()')[0]
        print(date)
        #类型
        style=div.xpath('./div/ul/li/text()')[1]
        print(style)
        #上映国家
        state =div.xpath('./div/ul/li/text()')[2]
        print(state)
        #想看人数
        want_people = div.xpath('./div/ul/li[@class="dt last"]/span/text()')[0]
        want_people = int(want_people.replace('人想看', ''))
        print(want_people)

        #添加每个电影的图书信息
        film_list.append({
            'title':title,
            'date':date,
            'style':style,
            'state':state,
            'want_people':want_people
        })
  #排序
    film_list.sort(key=lambda x:x['want_people'])

  #展示价格最低的10家 柱状图
    top5_film=[film_list[i] for i in range(5)]

    x=[x['title'] for x in top5_film]
    y=[x['want_people'] for x in top5_film]
    plt.barh(x,y)
    plt.show()

#  调用函数
spider_film()