Python7個爬蟲小案例詳解(附源碼)下篇

本次的7個python爬蟲小案例涉及到瞭re正則、xpath、beautiful soup、selenium等知識點,非常適合剛入門python爬蟲的小夥伴參考學習。

前言

關於Python7個爬蟲小案例的文章分為三篇,本篇為下篇,共三題,其餘兩篇內容請關註!

題目五:

實現多種方法模擬登錄知乎,並爬取與一個與江漢大學有關問題和答案

首先使用selenium打開知乎登錄頁面,接著使用手機進行二維碼掃描登錄

進入頁面後,打開開發者工具,找到元素,,定位輸入框,輸入漢江大學,然後點擊搜索按鈕

以第二條帖子為例,進行元素分析 。

源代碼及結果截圖:

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")
    # 創建一個驅動
    service = Service('chromedriver.exe')
    options = ChromeOptions()
    # 偽造瀏覽器
    options.add_experimental_option('excludeSwitches', ['enable-automation','enable-logging'])
    options.add_experimental_option('useAutomationExtension', False)
    # 創建一個瀏覽器
    driver = Chrome(service=service,options=options)
    # 繞過檢測
    driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {
        "source": """
               Object.defineProperty(navigator, 'webdriver', {
               get: () => false
               })
           """
    })
    # 打開知乎登錄頁面
    driver.get('https://www.zhihu.com/')
    sleep(30)
    # 點擊搜索框
    driver.find_element(By.ID,'Popover1-toggle').click()
    # 輸入內容
    driver.find_element(By.ID,'Popover1-toggle').send_keys('漢江大學')
    sleep(2)
    # 點擊搜索圖標
    driver.find_element(By.XPATH,'//*[@id="root"]/div/div[2]/header/div[2]/div[1]/div/form/div/div/label/button').click()
    # 等待頁面加載完
    driver.implicitly_wait(20)
    # 獲取標題
    title = driver.find_element(By.XPATH,'//*[@id="SearchMain"]/div/div/div/div/div[2]/div/div/div/h2/div/a/span').text
    # 點擊閱讀全文
    driver.find_element(By.XPATH,'//*[@id="SearchMain"]/div/div/div/div/div[2]/div/div/div/div/span/div/button').click()
    sleep(2)
    # 獲取帖子內容
    content = driver.find_element(By.XPATH,'//*[@id="SearchMain"]/div/div/div/div/div[2]/div/div/div/div/span[1]/div/span/p').text
    # 點擊評論
    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)
    # 點擊獲取更多評論
    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)
    # 獲取評論數據的節點
    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:
            # 評論內容
            comment = div.find_element(By.XPATH,'./div/div/div[2]').text
            f.write(comment)  # 寫入文件
            f.write('\n')
            print(comment)
    except:
        driver.close()
 
if __name__ == '__main__':
    # 創建文件存儲數據
    with open('05.txt','a',encoding='utf-8')as f:
        main()

 題目六:

 綜合利用所學知識,爬取某個某博用戶前5頁的微博內容

這裡我們選取瞭人民日報的微博內容進行爬取,具體頁面我就不放這瞭,怕違規。

源代碼:

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']  # 發佈時間
        author = item['user']['screen_name']   # 作者
        title = item['text_raw']   # 帖子標題
        reposts_count = item['reposts_count']  # 轉發數
        comments_count = item['comments_count']  # 評論數
        attitudes_count = item['attitudes_count']  # 點贊數
        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}頁爬取完畢')
 
if __name__ == '__main__':
    # 創建保存數據的csv文件
    with open('06-2.csv','a',encoding='utf-8',newline='')as f:
        csvwriter = csv.writer(f)
        # 添加文件表頭
        csvwriter.writerow(('發佈時間','發佈作者','帖子標題','轉發數','評論數','點贊數'))
        for page in range(1,6):  # 爬取前5頁數據
            main(page)
            sleep(5+random.random())

 題目七:

自選一個熱點或者你感興趣的主題,爬取數據並進行簡要數據分析

(例如,通過爬取電影的名稱、類型、總票房等數據統計分析不同類型電影的平均票房,十年間每年票房冠軍的票房走勢等;通過爬取中國各省份地區人口數量,統計分析我國人口分佈等)

本次選取的網址是藝恩娛數,目標是爬取裡面的票房榜數據,通過開發者工具抓包分析找到數據接口,然後開始編寫代碼進行數據抓取。 

源代碼及結果截圖:

import requests
import csv
import pandas as pd
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')
plt.rcParams['font.sans-serif'] = ['SimHei'] #解決中文顯示
plt.rcParams['axes.unicode_minus'] = False   #解決符號無法顯示
 
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']  # 電影名稱
        ReleaseTime = item['ReleaseTime']  # 上映時間
        TotalPrice = item['BoxOffice']   # 總票房(萬)
        AvgPrice = item['AvgBoxOffice']   # 平均票價
        AvgAudienceCount = item['AvgAudienceCount']  # 平均場次
        # 寫入csv文件
        csvwriter.writerow((rank,MovieName,ReleaseTime,TotalPrice,AvgPrice,AvgAudienceCount))
        print(rank,MovieName,ReleaseTime,TotalPrice,AvgPrice,AvgAudienceCount)
 
def data_analyze():
    # 讀取數據
    data = pd.read_csv('07.csv')
    # 從上映時間中提取出年份
    data['年份'] = data['上映時間'].apply(lambda x: x.split('-')[0])
    # 各年度上榜電影總票房占比
    df1 = data.groupby('年份')['總票房(萬)'].sum()
    plt.figure(figsize=(6, 6))
    plt.pie(df1, labels=df1.index.to_list(), autopct='%1.2f%%')
    plt.title('各年度上榜電影總票房占比')
    plt.show()
    # 各個年份總票房趨勢
    df1 = data.groupby('年份')['總票房(萬)'].sum()
    plt.figure(figsize=(6, 6))
    plt.plot(df1.index.to_list(), df1.values.tolist())
    plt.title('各年度上榜電影總票房趨勢')
    plt.show()
    # 平均票價最貴的前十名電影
    print(data.sort_values(by='平均票價', ascending=False)[['年份', '電影名稱', '平均票價']].head(10))
    # 平均場次最高的前十名電影
    print(data.sort_values(by='平均場次', ascending=False)[['年份', '電影名稱', '平均場次']].head(10))
 
 
if __name__ == '__main__':
    # 創建保存數據的csv文件
    with open('07.csv', 'w', encoding='utf-8',newline='') as f:
        csvwriter = csv.writer(f)
        # 添加文件表頭
        csvwriter.writerow(('排名', '電影名稱', '上映時間', '總票房(萬)', '平均票價', '平均場次'))
        main()
    # 數據分析
    data_analyze()

 從年度上榜電影票房占比來看,2019年占比最高,說明2019年這一年的電影質量都很不錯,上榜電影多而且票房高。

從趨勢來看,從2016年到2019年,上榜電影總票房一直在增長,到2019年達到頂峰,說明這一年電影是非常的火爆,但是從2020年急劇下滑,最大的原因應該是這一年年初開始爆發疫情,導致賀歲檔未初期上映,而且由於疫情影響,電影院一直處於關閉狀態,所以這一年票房慘淡。

這篇關於Python7個爬蟲小案例詳解(附源碼)下篇的文章就介紹到這瞭,其他兩個部分的內容(上、中篇)請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章。

好瞭,本次七個案例的分享到此全部結束,希望對剛入手爬蟲的小夥伴有所幫助。

 希望大傢以後多多支持WalkonNet!

推薦閱讀: