Python采集某平台书籍和评论数据~

前言

嗨喽，大家好呀！这里是魔王呐~

环境使用:

• Python 3.8
• Pycharm

模块使用:

• requests >>> pip install requests
• parsel >>> pip install parsel
• csv

如果安装python第三方模块:

1. win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车

2. 在pycharm中点击Terminal(终端) 输入安装命令

基本实现流程:

<通用模板> 采集视频<小电影> 采集图片<美女小姐姐> 采集小说

一. 数据来源分析

确定了自己想要采集数据是什么?

通过开发者工具抓包分析 <不知道 1 知道 2>

通过F12开发者工具里面的搜索关键字, 找到相应的数据

二. 代码实现步骤过程

爬虫模拟浏览器对于url地址发送请求, 获取服务器返回响应数据

1. 发送请求 发送get请求
2. 获取数据, 获取服务器返回响应数据 response<开发者工具里面看到的>
3. 解析数据, 提取我们想要数据内容 xpath css re 这些方法去提取
4. 保存数据, 保存表格里面

代码

采集书籍数据

import requests  # 数据请求模块 <工具>
import parsel  # 数据解析模块 <工具>
import csv  # csv数据表格

# mode='a' mode是什么意思 保存方式 a 是什么意思 追加保存
f = open('data_1.csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=[
    '标题',
    '评论',
    '推荐',
    '作者',
    '日期',
    '出版社',
    '售价',
    '原价',
    '折扣',
    '电子书',
    '详情页',
])
csv_writer.writeheader()  # 写表头
"""
发送请求
    爬虫模拟浏览器对于url地址发送请求, 获取服务器返回响应数据

    变量规则:
        不能使用数字开头
        不推荐使用关键字作为变量名 
"""
# 确定网址
for page in range(1, 26):  # 包含头, 不包含尾巴
    print(f'=======================正在采集{page}页数据内容=======================')
    url = f'http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-recent7-0-0-1-{page}'
    # 　headers 请求头 用来伪装模拟python代码 字典的数据类型
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.54 Safari/537.36'
    }
    # 调用requests这个模块里面get请求方法, 对于url地址发送请求, 并且携带上headers请求伪装, 最后用自定义response变量接受返回数据
    response = requests.get(url=url, headers=headers)
    # print(response)  # 打印发送请求得到的内容   响应对象 200状态码表示请求成功
    # print(response.text)  # 获取响应对象的文本数据
    """
    解析数据, 提取我们想要数据内容
        css选择器: 根据标签属性内容提取数据 完全掌握你在系统课程学2.5个小时

    解析方法: css xpath re  那种好用用那种 如果你xpath没解析出来,换一下
    """
    selector = parsel.Selector(response.text)  # 把获取下来html字符串数据转成selector对象 
    lis = selector.css('ul.bang_list li')  # 调用css方法解析数据 第一次提取 获取所有li标签内容
    # print(lis)
    for li in lis:
        title = li.css('.name a::attr(title)').get()  # 获取书名
        # 同理可得 p:nth-child(1) 组合选择表示取第几个P标签
        comment = li.css('.star a::text').get().replace('条评论', '')  # 评论
        recommend = li.css('.tuijian::text').get().replace('推荐', '')  # 推荐
        author = li.css('.publisher_info a::attr(title)').get()  # 作者
        date = li.css('.publisher_info span::text').get()  # 日期
        press = li.css('div:nth-child(6) a::text').get()  # 出版社
        price = li.css('.price p:nth-child(1) .price_n::text').get()  # 售价
        price_r = li.css('.price p:nth-child(1) .price_r::text').get()  # 原价
        price_s = li.css('.price p:nth-child(1) .price_s::text').get().replace('折', '')  # 折扣
        price_e = li.css('.price_e .price_n::text').get()  # 电子书
        href = li.css('.name a::attr(href)').get()  # 详情页
        dit = {
        教程、资料、解答可加Q：261823976
            '标题': title,
            '评论': comment,
            '推荐': recommend,
            '作者': author,
            '日期': date,
            '出版社': press,
            '售价': price,
            '原价': price_r,
            '折扣': price_s,
            '电子书': price_e,
            '详情页': href,
        }
        csv_writer.writerow(dit)
        print(title, comment, recommend, author, date, press, price, price_r, price_s, price_e, href)

如何采集评论:

<相当于一个新的爬虫案例> 目的就为了让你们巩固一下前面案例内容

1、 爬虫基本流程是什么? 分为两个大步骤…

一. 数据来源分析

1. 确定采集数据
2. 通过开发者工具搜索关键字查询数据包 <当这个方法不灵>

二. 代码实现的过程 基本是哪四个?

1. 发送请求
2. 获取数据
3. 解析数据
4. 保存数据

方法一

import requests
import pprint
import re
import time

for page in range(1, 11):
    time.sleep(1.5)
    url = 'http://product.dangdang.com/index.php'
    data = {
        'r': 'comment/list',
        'productId': '28992419',
        'categoryPath': '01.31.04.00.00.00',
        'mainProductId': '28992419',
        'mediumId': '0',
        'pageIndex': page,
        'sortType': '1',
        'filterType': '1',
        'isSystem': '1',
        'tagId': '0',
        'tagFilterCount': '0',
        'template': 'publish',
        'long_or_short': 'short',
    }
    headers = {
    教程、资料、解答可加Q：261823976
        'Cookie': '__permanent_id=20220526142043051185927786403737954; ddscreen=2; secret_key=1e8f0aa9dd4b8424f700334a1d325eb5; pos_9_end=1653548069741; ad_ids=5066933%2C2723462%2C2531198%7C%232%2C2%2C2; dest_area=country_id%3D9000%26province_id%3D111%26city_id%20%3D0%26district_id%3D0%26town_id%3D0; __visit_id=20220526214023174294725354816250512; __out_refer=; pos_6_end=1653573342590; pos_6_start=1653573352622; __trace_id=20220526215604629207453265505873398; __rpm=p_28992419.comment_body..1653573324701%7Cp_28992419.comment_body..1653573462744',
        'Host': 'product.dangdang.com',
        'Referer': 'http://product.dangdang.com/28992419.html',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.54 Safari/537.36',
    }
    response = requests.get(url=url, params=data, headers=headers)
    html_data = response.json()['data']['list']['html']   # 字典键值对取值 
    # print(html_data)  遇事不决 .*?
    content_list = re.findall("target='_blank'>(.*?)", html_data)
    for content in content_list:
        print(content)
        with open('评论.txt', mode='a', encoding='utf-8') as f:
            f.write(content)
            f.write('\n')

方法二

import jieba
import wordcloud
import imageio
py = imageio.imread('1.png')
f = open('评论.txt', encoding='utf-8')
txt = f.read()
print(txt)

txt_list = jieba.lcut(txt)  # 分词处理
print(txt_list)

string = ' '.join(txt_list)

wc = wordcloud.WordCloud(
    width=1000,
    height=800,
    background_color='yellow',
    scale=15,
    font_path='msyh.ttc',
    mask = py
)
wc.generate(string)

wc.to_file('ouput_3.png')

尾语

成功没有快车道，幸福没有高速路。

所有的成功，都来自不倦地努力和奔跑，所有的幸福都来自平凡的奋斗和坚持

——励志语录

本文章就写完啦~感兴趣的小伙伴可以复制代码去试试

你们的支持是我最大的动力！！记得三连哦~ 欢迎大家阅读往期的文章呀