爬虫综合大作业

作业要求来自于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/3075

---

一.把爬取的内容保存取MySQL数据库

• import pandas as pd
• import pymysql
• from sqlalchemy import create_engine
• conInfo = "mysql+pymysql://user:passwd@host:port/gzccnews?charset=utf8"
• engine = create_engine(conInfo,encoding='utf-8')
• df = pd.DataFrame(allnews)
• df.to_sql(name = ‘news', con = engine, if_exists = 'append', index = False）

二.爬虫综合大作业

1. 选择一个热点或者你感兴趣的主题。
2. 选择爬取的对象与范围。
3. 了解爬取对象的限制与约束。
4. 爬取相应内容。
5. 做数据分析与文本分析。
6. 形成一篇文章，有说明、技术要点、有数据、有数据分析图形化展示与说明、文本分析图形化展示与说明。
7. 文章公开发布。

参考：

32个Python爬虫项目

都是谁在反对996？

Python和Java薪资最高，C#最低！

给《流浪地球》评1星的都是什么心态？

《都挺好》弹幕数据，比剧情还精彩？

爬了自己的微信好友，原来他们是这样的人……

春节人口迁徙大数据报告！

七夕前消费趋势数据

爬了一下天猫上的Bra购买记录，有了一些羞羞哒的发现...

Python做了六百万字的歌词分析，告诉你中国Rapper都在唱些啥

分析了42万字歌词后，终于搞清楚民谣歌手唱什么了

十二星座的真实面目

唐朝诗人之间的关系到底是什么样的？

中国姓氏排行榜

三.爬虫注意事项

1.设置合理的爬取间隔，不会给对方运维人员造成压力，也可以防止程序被迫中止。

• import time
• import random
• time.sleep(random.random()*3)

2.设置合理的user-agent，模拟成真实的浏览器去提取内容。

1. 首先打开你的浏览器输入：about:version。
2. 用户代理:
3. 收集一些比较常用的浏览器的user-agent放到列表里面。
4. 然后import random，使用随机获取一个user-agent
5. 定义请求头字典headers={’User-Agen‘：}
6. 发送request.get时，带上自定义了User-Agen的headers

3.需要登录

发送request.get时，带上自定义了Cookie的headers

headers={’User-Agen‘：  

'Cookie':    }

4.使用代理IP

通过更换IP来达到不断高 效爬取数据的目的。

headers = {

    "User-Agent": "",

}

proxies = {

    "http": " ",

    "https": " ",

}

response = requests.get(url, headers=headers, proxies=proxies)

# encoding=utf-8
import requests
import time
import re
import csv
import json
from bs4 import BeautifulSoup as bs

# 获取一页数据
def get_one_page(offset):
    # 设置请求头
    headers={
    'Referer':'https://movie.douban.com/top250?start=0&filter=',
    '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'
    }
    url='https://movie.douban.com/top250?start='+str(offset)+'&filter='
    try:
        time.sleep(1)
        response=requests.get(url,headers=headers)
        # 判断相应状态，200表示请求成功
        if response.status_code == 200:
            return response.content
    except Exception as e:
        print('出错!')
        return None

# 解析网页
def parse_page(offset):
    response=get_one_page(offset)
    if response:
        # print(response.decode('utf-8'))
        html=bs(response.decode('utf-8'),'html.parser')
        items=html.find_all('div',{'class':'item'})
        if items:
            for item in items:
                a=item.find('div',{'class':'hd'}).a
                s=item.find('div',{'class':'star'})
                bd=item.find('div',{'class':'bd'})
                href=a.attrs['href']
                title=a.span.get_text()
                quote=bd.find('p',{'class':'quote'}).span.get_text()
                star=s.find('span',{'class':'rating_num'}).get_text()

                conment_people=re.search(r'[0-9].*[^人评价</span>]',str(s.contents[len(s.contents)-2])).group()
                yield{
                'title':title,
                'href':href,
                'star':star,
                'quote':quote,
                'number':conment_people
                }
        else:
            print('没有找到该节点')

# 保存数据到csv文件里面
def save_csv_files(contents,i):
    with open('douban_top250.csv','a',encoding='utf-8',newline='')as f:
        # 将python中的字典转换为json格式，并对输出中文指定ensure_ascii=False
        csvFile=csv.writer(f)
        if i ==0:
            csvFile.writerow(['名称','链接','星级','引言','评论人数'])
        datalist=[]
        for data in contents:
            csvList=[]
            csvList.append(data['title'])
            csvList.append(data['href'])
            csvList.append(data['star'])
            csvList.append(data['quote'])
            csvList.append(data['number'])
            datalist.append(csvList)
        csvFile.writerows(datalist)

# 程序主入口
def main(offset,i):
    save_csv_files(parse_page(offset),i)

if __name__=='__main__':
    for i in range(10):
        main(i*25,i)

爬出来的CSV文件如下图所示

 

 爬出来的豆瓣电影评论前20，如下图所示：

 爬出来的豆瓣电影星级前20，如下图所示：

 

 爬取星级数还有评论人数较高的数据,如下图所示:

 按评论在词云制作出的词云统计如下图所示：