分享Python7个爬虫小案例(附源码)

艾派森 2024-06-28 08:05:03 阅读 86

        本次的7个python爬虫小案例涉及到了re正则、xpath、beautiful soup、selenium等知识点,非常适合刚入门python爬虫的小伙伴参考学习。注:若涉及到版权或隐私问题,请及时联系我删除即可。

1.使用正则表达式和文件操作爬取并保存“某吧”某帖子全部内容(该帖不少于5页。

 本次选取的是某吧中的NBA吧中的一篇帖子,帖子标题是“克莱和哈登,谁历史地位更高”。爬取的目标是帖子里面的回复内容。

源程序和关键结果截图:

import csv

import requests

import re

import time

def main(page):

url = f'https://tieba.baidu.com/p/7882177660?pn={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'

}

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

html = resp.text

# 评论内容

comments = re.findall('style="display:;"> (.*?)</div>',html)

# 评论用户

users = re.findall('class="p_author_name j_user_card" href=".*?" target="_blank">(.*?)</a>',html)

# 评论时间

comment_times = re.findall('楼</span><span class="tail-info">(.*?)</span><div',html)

for u,c,t in zip(users,comments,comment_times):

# 筛选数据,过滤掉异常数据

if 'img' in c or 'div' in c or len(u)>50:

continue

csvwriter.writerow((u,t,c))

print(u,t,c)

print(f'第{page}页爬取完毕')

if __name__ == '__main__':

with open('01.csv','a',encoding='utf-8')as f:

csvwriter = csv.writer(f)

csvwriter.writerow(('评论用户','评论时间','评论内容'))

for page in range(1,8): # 爬取前7页的内容

main(page)

time.sleep(2)

2.实现多线程爬虫爬取某小说部分章节内容并以数据库存储(不少于10个章节。 

 本次选取的小说网址是某小说网,这里我们选取第一篇小说进行爬取

然后通过分析网页源代码分析每章小说的链接

找到链接的位置后,我们使用Xpath来进行链接和每一章标题的提取

在这里,因为涉及到多次使用requests发送请求,所以这里我们把它封装成一个函数,便于后面的使用

每一章的链接获取后,我们开始进入小说章节内容页面进行分析

通过网页分析,小说内容都在网页源代码中,属于静态数据

这里我们选用re正则表达式进行数据提取,并对最后的结果进行清洗

然后我们需要将数据保存到数据库中,这里我将爬取的数据存储到mysql数据库中,先封住一下数据库的操作

接着将爬取到是数据进行保存

最后一步就是使用多线程来提高爬虫效率,这里我们创建了5个线程的线程池

 源代码及结果截图:

import requests

from lxml import etree

import re

import pymysql

from time import sleep

from concurrent.futures import ThreadPoolExecutor

def get_conn():

# 创建连接

conn = pymysql.connect(host="127.0.0.1",

user="root",

password="root",

db="novels",

charset="utf8")

# 创建游标

cursor = conn.cursor()

return conn, cursor

def close_conn(conn, cursor):

cursor.close()

conn.close()

def get_xpath_resp(url):

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'}

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

tree = etree.HTML(resp.text) # 用etree解析html

return tree,resp

def get_chapters(url):

tree,_ = get_xpath_resp(url)

# 获取小说名字

novel_name = tree.xpath('//*[@id="info"]/h1/text()')[0]

# 获取小说数据节点

dds = tree.xpath('/html/body/div[4]/dl/dd')

title_list = []

link_list = []

for d in dds[:15]:

title = d.xpath('./a/text()')[0] # 章节标题

title_list.append(title)

link = d.xpath('./a/@href')[0] # 章节链接

chapter_url = url +link # 构造完整链接

link_list.append(chapter_url)

return title_list,link_list,novel_name

def get_content(novel_name,title,url):

try:

cursor = None

conn = None

conn, cursor = get_conn()

# 插入数据的sql

sql = 'INSERT INTO novel(novel_name,chapter_name,content) VALUES(%s,%s,%s)'

tree,resp = get_xpath_resp(url)

# 获取内容

content = re.findall('<div id="content">(.*?)</div>',resp.text)[0]

# 对内容进行清洗

content = content.replace('<br />','\n').replace('&nbsp;',' ').replace('全本小说网 www.qb5.tw,最快更新<a href="https://www.qb5.tw/book_116659/">宇宙职业选手</a>最新章节!<br><br>','')

print(title,content)

cursor.execute(sql,[novel_name,title,content]) # 插入数据

conn.commit() # 提交事务保存数据

except:

pass

finally:

sleep(2)

close_conn(conn, cursor) # 关闭数据库

if __name__ == '__main__':

# 获取小说名字,标题链接,章节名称

title_list, link_list, novel_name = get_chapters('https://www.qb5.tw/book_116659/')

with ThreadPoolExecutor(5) as t: # 创建5个线程

for title,link in zip(title_list,link_list):

t.submit(get_content, novel_name,title,link) # 启动线程

 3. 分别使用XPath和Beautiful Soup4两种方式爬取并保存非异步加载的“某瓣某排行榜”如https://movie.douban.com/top250的名称、描述、评分和评价人数等数据。

 先分析:

首先,来到某瓣Top250页面,首先使用Xpath版本的来抓取数据,先分析下电影列表页的数据结构,发下都在网页源代码中,属于静态数据

接着我们找到数据的规律,使用xpath提取每一个电影的链接及电影名

然后根据链接进入到其详情页

分析详情页的数据,发现也是静态数据,继续使用xpath提取数据

最后我们将爬取的数据进行存储,这里用csv文件进行存储

接着是Beautiful Soup4版的,在这里,我们直接在电影列表页使用bs4中的etree进行数据提取

最后,同样使用csv文件进行数据存储

源代码即结果截图:

XPath版:

import re

from time import sleep

import requests

from lxml import etree

import random

import csv

def main(page,f):

url = f'https://movie.douban.com/top250?start={page*25}&filter='

headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.35 Safari/537.36',}

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

tree = etree.HTML(resp.text)

# 获取详情页的链接列表

href_list = tree.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[1]/a/@href')

# 获取电影名称列表

name_list = tree.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[1]/a/span[1]/text()')

for url,name in zip(href_list,name_list):

f.flush() # 刷新文件

try:

get_info(url,name) # 获取详情页的信息

except:

pass

sleep(1 + random.random()) # 休息

print(f'第{i+1}页爬取完毕')

def get_info(url,name):

headers = {

'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.35 Safari/537.36',

'Host': 'movie.douban.com',

}

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

html = resp.text

tree = etree.HTML(html)

# 导演

dir = tree.xpath('//*[@id="info"]/span[1]/span[2]/a/text()')[0]

# 电影类型

type_ = re.findall(r'property="v:genre">(.*?)</span>',html)

type_ = '/'.join(type_)

# 国家

country = re.findall(r'地区:</span> (.*?)<br',html)[0]

# 上映时间

time = tree.xpath('//*[@id="content"]/h1/span[2]/text()')[0]

time = time[1:5]

# 评分

rate = tree.xpath('//*[@id="interest_sectl"]/div[1]/div[2]/strong/text()')[0]

# 评论人数

people = tree.xpath('//*[@id="interest_sectl"]/div[1]/div[2]/div/div[2]/a/span/text()')[0]

print(name,dir,type_,country,time,rate,people) # 打印结果

csvwriter.writerow((name,dir,type_,country,time,rate,people)) # 保存到文件中

if __name__ == '__main__':

# 创建文件用于保存数据

with open('03-movie-xpath.csv','a',encoding='utf-8',newline='')as f:

csvwriter = csv.writer(f)

# 写入表头标题

csvwriter.writerow(('电影名称','导演','电影类型','国家','上映年份','评分','评论人数'))

for i in range(10): # 爬取10页

main(i,f) # 调用主函数

sleep(3 + random.random())

Beautiful Soup4版: 

import random

import urllib.request

from bs4 import BeautifulSoup

import codecs

from time import sleep

def main(url, headers):

# 发送请求

page = urllib.request.Request(url, headers=headers)

page = urllib.request.urlopen(page)

contents = page.read()

# 用BeautifulSoup解析网页

soup = BeautifulSoup(contents, "html.parser")

infofile.write("")

print('爬取豆瓣电影250: \n')

for tag in soup.find_all(attrs={"class": "item"}):

# 爬取序号

num = tag.find('em').get_text()

print(num)

infofile.write(num + "\r\n")

# 电影名称

name = tag.find_all(attrs={"class": "title"})

zwname = name[0].get_text()

print('[中文名称]', zwname)

infofile.write("[中文名称]" + zwname + "\r\n")

# 网页链接

url_movie = tag.find(attrs={"class": "hd"}).a

urls = url_movie.attrs['href']

print('[网页链接]', urls)

infofile.write("[网页链接]" + urls + "\r\n")

# 爬取评分和评论数

info = tag.find(attrs={"class": "star"}).get_text()

info = info.replace('\n', ' ')

info = info.lstrip()

print('[评分评论]', info)

# 获取评语

info = tag.find(attrs={"class": "inq"})

if (info): # 避免没有影评调用get_text()报错

content = info.get_text()

print('[影评]', content)

infofile.write(u"[影评]" + content + "\r\n")

print('')

if __name__ == '__main__':

# 存储文件

infofile = codecs.open("03-movie-bs4.txt", 'a', 'utf-8')

# 消息头

headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'}

# 翻页

i = 0

while i < 10:

print('页码', (i + 1))

num = i * 25 # 每次显示25部 URL序号按25增加

url = 'https://movie.douban.com/top250?start=' + str(num) + '&filter='

main(url, headers)

sleep(5 + random.random())

infofile.write("\r\n\r\n")

i = i + 1

infofile.close()

 

 4.实现某东商城某商品评论数据的爬取(评论数据不少于100条,包括评论内容、时间和评分)。

 先分析:

 本次选取的某东官网的一款联想笔记本电脑,数据为动态加载的,通过开发者工具抓包分析即可。

源代码及结果截图:

import requests

import csv

from time import sleep

import random

def main(page,f):

url = 'https://club.jd.com/comment/productPageComments.action'

params = {

'productId': 100011483893,

'score': 0,

'sortType': 5,

'page': page,

'pageSize': 10,

'isShadowSku': 0,

'fold': 1

}

headers = {

'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.35 Safari/537.36',

'referer': 'https://item.jd.com/'

}

resp = requests.get(url,params=params,headers=headers).json()

comments = resp['comments']

for comment in comments:

content = comment['content']

content = content.replace('\n','')

comment_time = comment['creationTime']

score = comment['score']

print(score,comment_time,content)

csvwriter.writerow((score,comment_time,content))

print(f'第{page+1}页爬取完毕')

if __name__ == '__main__':

with open('04.csv','a',encoding='utf-8',newline='')as f:

csvwriter = csv.writer(f)

csvwriter.writerow(('评分','评论时间','评论内容'))

for page in range(15):

main(page,f)

sleep(5+random.random())

5. 实现多种方法模拟登录某乎,并爬取与一个与江汉大学有关问题和答案。

首先使用selenium打开某乎登录页面,接着使用手机进行二维码扫描登录

进入页面后,打开开发者工具,找到元素,,定位输入框,输入汉江大学,然后点击搜索按钮

 

以第二条帖子为例,进行元素分析 。

源代码及结果截图:

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")

# 创建一个驱动

service = Service('chromedriver.exe')

options = ChromeOptions()

# 伪造浏览器

options.add_experimental_option('excludeSwitches', ['enable-automation','enable-logging'])

options.add_experimental_option('useAutomationExtension', False)

# 创建一个浏览器

driver = Chrome(service=service,options=options)

# 绕过检测

driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {

"source": """

Object.defineProperty(navigator, 'webdriver', {

get: () => false

})

"""

})

# 打开知乎登录页面

driver.get('https://www.zhihu.com/')

sleep(30)

# 点击搜索框

driver.find_element(By.ID,'Popover1-toggle').click()

# 输入内容

driver.find_element(By.ID,'Popover1-toggle').send_keys('汉江大学')

sleep(2)

# 点击搜索图标

driver.find_element(By.XPATH,'//*[@id="root"]/div/div[2]/header/div[2]/div[1]/div/form/div/div/label/button').click()

# 等待页面加载完

driver.implicitly_wait(20)

# 获取标题

title = driver.find_element(By.XPATH,'//*[@id="SearchMain"]/div/div/div/div/div[2]/div/div/div/h2/div/a/span').text

# 点击阅读全文

driver.find_element(By.XPATH,'//*[@id="SearchMain"]/div/div/div/div/div[2]/div/div/div/div/span/div/button').click()

sleep(2)

# 获取帖子内容

content = driver.find_element(By.XPATH,'//*[@id="SearchMain"]/div/div/div/div/div[2]/div/div/div/div/span[1]/div/span/p').text

# 点击评论

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)

# 点击获取更多评论

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)

# 获取评论数据的节点

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:

# 评论内容

comment = div.find_element(By.XPATH,'./div/div/div[2]').text

f.write(comment) # 写入文件

f.write('\n')

print(comment)

except:

driver.close()

if __name__ == '__main__':

# 创建文件存储数据

with open('05.txt','a',encoding='utf-8')as f:

main()

 6. 综合利用所学知识,爬取某个某博用户前5页的微博内容。

这里我们选取了人民日报的微博内容进行爬取,具体页面我就不放这了,怕违规。

源代码及结果截图:

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'] # 发布时间

author = item['user']['screen_name'] # 作者

title = item['text_raw'] # 帖子标题

reposts_count = item['reposts_count'] # 转发数

comments_count = item['comments_count'] # 评论数

attitudes_count = item['attitudes_count'] # 点赞数

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}页爬取完毕')

if __name__ == '__main__':

# 创建保存数据的csv文件

with open('06-2.csv','a',encoding='utf-8',newline='')as f:

csvwriter = csv.writer(f)

# 添加文件表头

csvwriter.writerow(('发布时间','发布作者','帖子标题','转发数','评论数','点赞数'))

for page in range(1,6): # 爬取前5页数据

main(page)

sleep(5+random.random())

 7.自选一个热点或者你感兴趣的主题,爬取数据并进行简要数据分析(例如,通过爬取电影的名称、类型、总票房等数据统计分析不同类型电影的平均票房,十年间每年票房冠军的票房走势等;通过爬取中国各省份地区人口数量,统计分析我国人口分布等)。

本次选取的网址是艺恩娱数,目标是爬取里面的票房榜数据,通过开发者工具抓包分析找到数据接口,然后开始编写代码进行数据抓取。 

源代码及结果截图:

import requests

import csv

import pandas as pd

import matplotlib.pyplot as plt

import warnings

warnings.filterwarnings('ignore')

plt.rcParams['font.sans-serif'] = ['SimHei'] #解决中文显示

plt.rcParams['axes.unicode_minus'] = False #解决符号无法显示

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'] # 电影名称

ReleaseTime = item['ReleaseTime'] # 上映时间

TotalPrice = item['BoxOffice'] # 总票房(万)

AvgPrice = item['AvgBoxOffice'] # 平均票价

AvgAudienceCount = item['AvgAudienceCount'] # 平均场次

# 写入csv文件

csvwriter.writerow((rank,MovieName,ReleaseTime,TotalPrice,AvgPrice,AvgAudienceCount))

print(rank,MovieName,ReleaseTime,TotalPrice,AvgPrice,AvgAudienceCount)

def data_analyze():

# 读取数据

data = pd.read_csv('07.csv')

# 从上映时间中提取出年份

data['年份'] = data['上映时间'].apply(lambda x: x.split('-')[0])

# 各年度上榜电影总票房占比

df1 = data.groupby('年份')['总票房(万)'].sum()

plt.figure(figsize=(6, 6))

plt.pie(df1, labels=df1.index.to_list(), autopct='%1.2f%%')

plt.title('各年度上榜电影总票房占比')

plt.show()

# 各个年份总票房趋势

df1 = data.groupby('年份')['总票房(万)'].sum()

plt.figure(figsize=(6, 6))

plt.plot(df1.index.to_list(), df1.values.tolist())

plt.title('各年度上榜电影总票房趋势')

plt.show()

# 平均票价最贵的前十名电影

print(data.sort_values(by='平均票价', ascending=False)[['年份', '电影名称', '平均票价']].head(10))

# 平均场次最高的前十名电影

print(data.sort_values(by='平均场次', ascending=False)[['年份', '电影名称', '平均场次']].head(10))

if __name__ == '__main__':

# 创建保存数据的csv文件

with open('07.csv', 'w', encoding='utf-8',newline='') as f:

csvwriter = csv.writer(f)

# 添加文件表头

csvwriter.writerow(('排名', '电影名称', '上映时间', '总票房(万)', '平均票价', '平均场次'))

main()

# 数据分析

data_analyze()

 

 从年度上榜电影票房占比来看,2019年占比最高,说明2019年这一年的电影质量都很不错,上榜电影多而且票房高。

从趋势来看,从2016年到2019年,上榜电影总票房一直在增长,到2019年达到顶峰,说明这一年电影是非常的火爆,但是从2020年急剧下滑,最大的原因应该是这一年年初开始爆发疫情,导致贺岁档未初期上映,而且由于疫情影响,电影院一直处于关闭状态,所以这一年票房惨淡。

        好了,本次案例分享到此结束,希望对刚入手爬虫的小伙伴有所帮助。 



声明

本文内容仅代表作者观点,或转载于其他网站,本站不以此文作为商业用途
如有涉及侵权,请联系本站进行删除
转载本站原创文章,请注明来源及作者。