内容简介:Python爬虫实战之豆瓣音乐、微打赏、阳光电影(附代码)
一、豆瓣音乐
今天爬的是豆瓣音乐top250,比较简单,主要是练练手。
1、加了请求头,本来没加,调试几次突然没数据了,加了请求头开始也没好,后来又好了,可能是网络原因;
2、这次是进入信息页爬的数据,上次爬电影没采用这种方法,缺少了部分数据;
3、数据的预处理用了很多if函数
数据分析
1、部分数据可以见上图
2、中国音乐作者还是很多的。
3、随着音乐设备和网络的普及,流行音乐的发展,可以看出2000年后作品越来越多,到2010年又积极下滑(经典就是经典,无法吐槽现在的音乐)
4、风格大家可以看出流行,摇滚,民谣占了一大半。
5、最后弄了一首周董的《不能说的秘密》做词云,想想小时候都是回忆啊。
代码片段
import requests import re from bs4 import BeautifulSoup import time import pymongo client = pymongo.MongoClient('localhost', 27017) douban = client['douban'] musictop = douban['musictop'] headers = { 'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36' } urls = ['https://music.douban.com/top250?start={}'.format(str(i)) for i in range ( 0 , 250 , 25 )] def get_url_music ( url ): wb_data = requests . get ( url , headers = headers ) soup = BeautifulSoup ( wb_data . text , 'lxml' ) music_hrefs = soup . select ( 'a.nbg' ) for music_href in music_hrefs : get_music_info ( music_href [ 'href' ]) time . sleep ( 2 )
二、微打赏
网站分析
打开网站,翻页网页不变,看看是post的请求,很好办,直接把参数怼进去,这里只要切换page就能进行翻页。
json格式,这里post返回的是json数据,解析json数据就行,小技巧:看preview,解析起来嗖嗖哒。这里需要提取活动的名称,id和参与打赏的人数。这个后面详细页用的到。
详细页,依旧是post,依旧是json数据,这里的参数pro_id为之前的爬取的id,这一页20个信息,通过前面的参与打赏人数构造出有多少页,继续怼参数。
代码片段
import requests import json import math def get_sup_info ( url , page ): params = { 'ajaxtype' : 1 , 'page' : page , 'category' : 1 , 'pageSize' : 8 } cookies = { 'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36' , 'Cookie': 'acw_tc=AQAAAKLQ3U/WTAYAggq7PZ24WOlm9vQW; PHPSESSID=r0nbvk7hppjftegk4fpt9cu535; _uab_collina=150094753858198811653567; mdswv=v1.0; mdsa=MD-STICS-5976a44746eca; mdss=6-o; mdsf=md; mdsff=www_so_com; } html = requests.post(url, data=params, headers=cookies) json_data = json.loads(html.text) des = json_data[' des '] for data in des: name = data[' name '] id = data[' id '] pay_count = data[' pay_count '] all_page = math.ceil(int(pay_count)/20) for i in range(1,int(all_page)+1): get_app_info(i,id,name)
三、阳光电影
爬虫分析
这里涉及跨页的爬取,需要理清爬虫的思路。首先打开网站,需爬取前11个分类的电影数据,经典影片格式不一样,爬虫时过滤掉了。
进入电影列表页后,正则爬取页数和电影的分类标签,以此构造分页url,然后爬取电影的名字和url。
最后在详细页爬取电影的下载地址,爬取结果如下:
代码片段
import requests import re from lxml import etree import csv def get_resource(url,cate_name,cate_url,movie_name): res = requests.get(url) res.encoding = 'gb2312' html = etree.HTML(res.text) movie_resource = html.xpath('//tbody//tr/td/a/text()')[0] writer.writerow((cate_name,cate_url,movie_name,url,movie_resource)) print(movie_resource)
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- 编写豆瓣相册下载器(python爬虫)
- 如何 5 分钟零代码实现豆瓣小组爬虫
- Python 爬虫实战(1):分析豆瓣中最新电影的影评
- 23个Python爬虫开源项目代码,包含微信、淘宝、豆瓣、知乎、微博等
- 这个用Python写的开源爬虫网站 让你秒搜所有豆瓣好书
- python豆瓣多线程爬虫加IP代理(免费的一般是不稳定)
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Linux内核完全剖析
赵炯 / 机械工业出版社 / 2008.10 / 99.00元
本书对早期Linux内核(v0.12)全部代码文件进行了详细、全面的注释和说明,旨在帮助读者用较短的时间对Linux的工作机理获得全面而深刻的理解,为进一步学习和研究Linux打下坚实的基础。虽然选择的版本较低,但该内核已能够正常编译运行,并且其中已包括了Linux工作原理的精髓。书中首先以Linux源代码版本的变迁为主线,介绍了Linux的历史,同时着重说明了各个内核版本的主要区别和改进,给出了......一起来看看 《Linux内核完全剖析》 这本书的介绍吧!