Python学习的第四天

一、爬虫

1.本地提取

①.新建html文件




    
    Title


欢迎来到王者荣耀

  1. 坦克
  2. 战士
  3. 射手
  4. 刺客
  5. 法师
  6. 辅助

界面如下:

Python学习的第四天_第1张图片
image

②.读取
③.使用xpath语法进行提取
使用lxml提取h1标签中的内容

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

解析html文件,使用selector对象

    selector=html.fromstring(html_data)

selector中调用xpath方法
要获取标签中的内容,末尾要添加text()

    h1=selector.xpath('/html/body/h1/text()')
    print(h1[0])

效果如下:

Python学习的第四天_第2张图片
image

使用//,从任意位置出发
格式: //标签1[@属性=属性值]/[@属性=属性值].../text()

    a=selector.xpath('//div[@id="car"]/a/text()')
    print(a[0])

    #获取p标签的内容
    p = selector.xpath('//div[@id="car"]/p/text()')
    print(p[0])

    #获取属性
    link=selector.xpath('//div[@id="car"]/a/@href')
    print(link[0])

效果:

Python学习的第四天_第3张图片
image
2.提取百度(https://www.baidu.com)网址信息
导入及提取
import requests
url='https://www.baidu.com'
response=requests.get(url)
print(response)

获取str类型的响应
print(response.text)

获取bytes类型的响应
print(response.content)

获取响应头
 print(response.headers)

获取状态码
print(response.status_code)

获取编码方式
print(response.encoding)

没有添加请求头
req=requests.get('https://www.zhihu.com/')
print(req.status_code)

会出现400错误

Python学习的第四天_第4张图片
image

在使用python爬虫爬取数据的时候,经常会遇到一些网站的反爬虫措施,一般就是针对于headers中的User-Agent,如果没有对headers进行设置,User-Agent会声明自己是python脚本,而如果网站有反爬虫的想法的话,必然会拒绝这样的连接。而修改headers可以将自己的爬虫脚本伪装成浏览器的正常访问,来避免这一问题。

添加,使用字典定义请求头
headers = {"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"}
req=requests.get('https://www.zhihu.com/', headers=headers)
print(req.status_code)

image

二、使用爬虫提取当当的信息

利用爬虫提取当当网上书号为9787115428028的图书信息,并将前10价格最便宜的店铺信息绘制成柱状图

1导入
.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

2.自定义一个函数,isbn为书号,函数调用时传值,所有操作都在函数内部完成
def spider_dangdang(isbn):

3.获取站点str的响应,book_list列表中存放图书的信息(书名,店铺,价格,购买链接),后面会用到
    book_list=[]
    #目标站点地址
    url='http://search.dangdang.com/?key={}&act=input'.format(isbn)
    #获取站点str类型的响应
    headers = {"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=headers)
    html_data=resp.text

4.提取目标站点的信息
    selector=html .fromstring(html_data)
    ul_list=selector.xpath('//div[@id="search_nature_rg"]/ul/li')
    print('你好,共有{}家店铺售卖此书'.format(len(ul_list)))
    for li in ul_list:
        # 图书名称
        title=li.xpath('./a/@title')[0].strip()

        # 图书价格
        price=li.xpath('./p[@ class="price"]/span[@class="search_now_price"]/text()')[0]
        price = float(price.replace('¥',''))
        # print(price)

        #图书购买链接
        link=li.xpath('./a/@href')[0]

        #图书卖家信息
        store = li.xpath('./p[@class="search_shangjia"]/a/text()')
        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,
            'price':price,
            'link':link,
            'store':store
        })

5.按照价格排序
    book_list.sort(key=lambda x : x['price'])
    for book in book_list:
        print(book)

6.展示价格最低的前10家 柱状图
    #店铺
    x = [book_list[i]['store'] for i in range(10)]
    # 图书的价格
    y = [book_list[i]['price'] for i in range(10)]
    plt.barh(x, y)
    plt.show()

效果:

Python学习的第四天_第5张图片
image
存储为CSV文件
    df = pd.DataFrame(book_list)
    df.to_csv('dangdang.csv')

8.调用函数
spider_dangdang('9787115428028')

三、练习

提取https://movie.douban.com/cinema/later/chongqing网站以下信息,并且根据信息完成3,4效果
1.电影名,上映日期,类型,上映国家,想看人数
2.根据想看人数进行排序
3.绘制即将上映电影国家的占比图
4.绘制top5最想看的电影

完整代码:

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
url='https://movie.douban.com/cinema/later/chongqing/'

resp = requests.get(url)
#获取站点str类型的
html_data=resp.text
# 提取目标站点的信息
selector = html.fromstring(html_data)
movie_info=selector.xpath('//div[@id="showing-soon"]/div')
#print(html_data)
print('你好,共有{}电影即将上映'.format(len(movie_info)))
movie_info_list=[]
for movie in movie_info:
    #电影名
    movie_name=movie.xpath('./div/h3/a/text()')[0]
    # print(movie_name)
    #上映日期
    movie_date=movie.xpath('./div/ul/li[1]/text()')[0]
    # print(movie_date)
    #电影类型
    movie_type=movie.xpath('./div/ul/li[2]/text()')[0]
    movie_type=str(movie_type)
    movie_type=movie_type.split(' / ')
    # print(type(movie_type))
    #print(movie_type)

    #上映国家
    movie_nation=movie.xpath('./div/ul/li[3]/text()')[0]
    # print(movie_nation)

    #想看人数
    movie_want = movie.xpath('./div/ul/li[4]/span/text()')[0]
    movie_want=int(movie_want.replace('人想看',''))
    # print(movie_want)

    #添加信息到列表
    movie_info_list.append({
        'name':movie_name,
        'date':movie_date,
        'type':movie_type,
        'nation':movie_nation,
        'want':movie_want
    })

#根据想看人数进行排序
movie_info_list.sort(key=lambda x : x['want'],reverse=True)
counts={}
# 绘制即将上映电影国家的占比图(饼图)
#计算上映国家的电影片数
for nation in movie_info_list:
    counts[nation['nation']] = counts.get(nation['nation'], 0) + 1
#将字典转换为列表
items = list(counts.items())
print(items)
# 取出绘制饼图的数据和标签
co=[]
lables=[]
for i in range(len(items)):
    role, count = items[i]
    co.append(count)
    lables.append(role)

explode = [0.1, 0, 0, 0]
plt.pie(co, shadow=True,explode=explode, labels=lables, autopct = '%1.1f%%')
plt.legend(loc=2)
plt.axis('equal')
plt.show()
#绘制top5最想看的电影(柱状图)

#电影名称
x = [movie_info_list[i]['name'] for i in range(5)]

# top5 = [movie_info_list[i] for i in range(5)]
# x = [x['name'] for x in top5]
#想看人数
y = [movie_info_list[i]['want'] for i in range(5)]
# y = [y['want'] for y in top5]

print(x)
print(y)
plt.xlabel('电影名称')
plt.ylabel('想看人数(人)')

plt.bar(x, y)
plt.show()

效果:

Python学习的第四天_第6张图片
image
Python学习的第四天_第7张图片
image

你可能感兴趣的:(Python学习的第四天)