关键词:
2.用python 编写爬虫程序,从网络上爬取相关主题的数据。
(1)环境配置:
import requests ##导入requests from bs4 import BeautifulSoup ##导入bs4中的BeautifulSoup headers = \'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0\' all_url =\'http://heyuan.8684.cn/\' ##开始的URL地址 start_html = requests.get(all_url, headers=headers) #print(start_html.text) Soup = BeautifulSoup(start_html.text, \'html.parser\')
(2)爬取站点分析:
a、河源市公交线路分类方式有3种:
b、我主要通过数字开头来进行爬取,打开网站,点击“1”,右击鼠标选择“检查”,可以发现保存在链接保存在<div class="bus_kt_r1">里面,故只需要提取div里的href即可:
代码:
all_1 = Soup.find(\'div\', class_=\'bus_kt_r1\').find_all(\'a\')#获取以数字开头所有路线
c、接着往下,发现每一路的链接都在<div id="con_site_1" class="site_list">
的<a>
里面,取出里面的herf即为线路网址,其内容即为线路名称。
代码:
href = a[\'href\'] # 取出a标签的href 属性 html = all_url + href second_html = requests.get(html, headers=headers) #print(second_html.text) Soup2 = BeautifulSoup(second_html.text, \'html.parser\') all_a2 = Soup2.find(\'div\', class_=\'stie_list\').find_all(\'a\')
d、打开线路链接,就可以看到具体的站点信息了,打开页面分析文档结构后发现:线路的基本信息存放在<div class="bus_i_content">
里面,而公交站点信息则存放在<div class="bus_line_top">
及<div class="bus_line_site">
里面。
提取代码:
title1 = a2.get_text() # 取出a1标签的文本 href1 = a2[\'href\'] # 取出a标签的href 属性 # print(title1, href1) html_bus = all_url + href1 # 构建线路站点url thrid_html = requests.get(html_bus, headers=headers) Soup3 = BeautifulSoup(thrid_html.text, \'html.parser\') # 以html.parser方式解析html bus_name = Soup3.find(\'div\', class_=\'bus_i_t1\').find(\'h1\').get_text() # 提取线路名 bus_type = Soup3.find(\'div\', class_=\'bus_i_t1\').find(\'a\').get_text() # 提取线路属性 bus_time = Soup3.find_all(\'p\', class_=\'bus_i_t4\')[0].get_text() # 运行时间 bus_cost = Soup3.find_all(\'p\', class_=\'bus_i_t4\')[1].get_text() # 票价 bus_company = Soup3.find_all(\'p\', class_=\'bus_i_t4\')[2].find(\'a\').get_text() # 公交公司 bus_update = Soup3.find_all(\'p\', class_=\'bus_i_t4\')[3].get_text() # 更新时间 bus_label = Soup3.find(\'div\', class_=\'bus_label\') if bus_label: bus_length = bus_label.get_text() # 线路里程 else: bus_length = [] print(bus_name, bus_type, bus_time, bus_cost, bus_company, bus_update) all_line = Soup3.find_all(\'div\', class_=\'bus_line_top\') # 线路简介 all_site = Soup3.find_all(\'div\', class_=\'bus_line_site\') # 公交站点 line_x = all_line[0].find(\'div\', class_=\'bus_line_txt\').get_text()[:-9] + all_line[0].find_all(\'span\')[ -1].get_text() sites_x = all_site[0].find_all(\'a\') sites_x_list = [] # 上行线路站点 for site_x in sites_x: sites_x_list.append(site_x.get_text()) line_num = len(all_line) if line_num == 2: # 如果存在环线,也返回两个list,只是其中一个为空 line_y = all_line[1].find(\'div\', class_=\'bus_line_txt\').get_text()[:-9] + all_line[1].find_all(\'span\')[ -1].get_text() sites_y = all_site[1].find_all(\'a\') sites_y_list = [] # 下行线路站点 for site_y in sites_y: sites_y_list.append(site_y.get_text()) else: line_y, sites_y_list = [], [] information = [bus_name, bus_type, bus_time, bus_cost, bus_company, bus_update, bus_length, line_x, sites_x_list, line_y, sites_y_list]
e、自此,我们就把一条线路的相关信息及上、下行站点信息就都解析出来了。如果想要爬取全市的公交网络站点,只需要加入循环就可以了。
代码:
import requests ##导入requests from bs4 import BeautifulSoup ##导入bs4中的BeautifulSoup headers = \'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0\' all_url =\'http://heyuan.8684.cn/\' ##开始的URL地址 start_html = requests.get(all_url, headers=headers) #print(start_html.text) Soup = BeautifulSoup(start_html.text, \'html.parser\') all_1 = Soup.find(\'div\', class_=\'bus_kt_r1\').find_all(\'a\')#获取以数字开头所有路线 Network_list = [] for a in all_1: href = a[\'href\'] # 取出a标签的href 属性 html = all_url + href second_html = requests.get(html, headers=headers) #print(second_html.text) Soup2 = BeautifulSoup(second_html.text, \'html.parser\') all_a2 = Soup2.find(\'div\', class_=\'stie_list\').find_all(\'a\') for a2 in all_a2: title1 = a2.get_text() # 取出a1标签的文本 href1 = a2[\'href\'] # 取出a标签的href 属性 # print(title1, href1) html_bus = all_url + href1 # 构建线路站点url thrid_html = requests.get(html_bus, headers=headers) Soup3 = BeautifulSoup(thrid_html.text, \'html.parser\') # 以html.parser方式解析html bus_name = Soup3.find(\'div\', class_=\'bus_i_t1\').find(\'h1\').get_text() # 提取线路名 bus_type = Soup3.find(\'div\', class_=\'bus_i_t1\').find(\'a\').get_text() # 提取线路属性 bus_time = Soup3.find_all(\'p\', class_=\'bus_i_t4\')[0].get_text() # 运行时间 bus_cost = Soup3.find_all(\'p\', class_=\'bus_i_t4\')[1].get_text() # 票价 bus_company = Soup3.find_all(\'p\', class_=\'bus_i_t4\')[2].find(\'a\').get_text() # 公交公司 bus_update = Soup3.find_all(\'p\', class_=\'bus_i_t4\')[3].get_text() # 更新时间 bus_label = Soup3.find(\'div\', class_=\'bus_label\') if bus_label: bus_length = bus_label.get_text() # 线路里程 else: bus_length = [] print(bus_name, bus_type, bus_time, bus_cost, bus_company, bus_update) all_line = Soup3.find_all(\'div\', class_=\'bus_line_top\') # 线路简介 all_site = Soup3.find_all(\'div\', class_=\'bus_line_site\') # 公交站点 line_x = all_line[0].find(\'div\', class_=\'bus_line_txt\').get_text()[:-9] + all_line[0].find_all(\'span\')[ -1].get_text() sites_x = all_site[0].find_all(\'a\') sites_x_list = [] # 上行线路站点 for site_x in sites_x: sites_x_list.append(site_x.get_text()) line_num = len(all_line) if line_num == 2: # 如果存在环线,也返回两个list,只是其中一个为空 line_y = all_line[1].find(\'div\', class_=\'bus_line_txt\').get_text()[:-9] + all_line[1].find_all(\'span\')[ -1].get_text() sites_y = all_site[1].find_all(\'a\') sites_y_list = [] # 下行线路站点 for site_y in sites_y: sites_y_list.append(site_y.get_text()) else: line_y, sites_y_list = [], [] information = [bus_name, bus_type, bus_time, bus_cost, bus_company, bus_update, bus_length, line_x, sites_x_list, line_y, sites_y_list] Network_list.append(information) # 定义保存函数,将运算结果保存为txt文件 def text_save(content, filename, mode=\'a\'): file = open(filename, mode, encoding=\'utf-8\') for i in range(len(content)): file.write(str(content[i]) + \'\\n\') file.close() # 输出处理后的数据 text_save(Network_list, \'Network_bus.txt\')
3.对爬了的数据进行文本分析,生成词云。
(1)首先打开爬取的数据的文件,通过jieba分词进行分词并通过空格分隔,然后生成词云。
代码:
from PIL import Image, ImageSequence import numpy as np import matplotlib.pyplot as plt from wordcloud import WordCloud, ImageColorGenerator import jieba # 读入背景图片 abel_mask = np.array(Image.open("./公交车.jpg")) # 读取要生成词云的文件 path = open(\'Network_bus.txt\',encoding=\'utf-8\').read() # 通过jieba分词进行分词并通过空格分隔 wordlist_after_jieba = jieba.cut(path, cut_all=True) wl_space_split = " ".join(wordlist_after_jieba) my_wordcloud = WordCloud().generate(wl_space_split) my_wordcloud = WordCloud( background_color=\'white\', # 设置背景颜色 mask=abel_mask, # 设置背景图片 max_words=200, # 设置最大现实的字数 font_path=\'C:/Users/Windows/fonts/simkai.ttf\', max_font_size=50, random_state=30, # 设置有多少种随机生成状态,即有多少种配色方案 scale=.5, ).generate(wl_space_split) # 根据图片生成词云颜色 image_colors = ImageColorGenerator(abel_mask) # my_wordcloud.recolor(color_func=image_colors) # 以下代码显示图片 plt.imshow(my_wordcloud) plt.axis("off") plt.show()
4.对文本分析结果进行解释说明。
我的图片是:
文本获取到的字符信息并不是我们想要的效果,因此,为了达到我们想要的效果,我就将所获取到的文本信息,生成一个词云图,我们更加直观的观察到我们
5.写一篇完整的博客,描述上述实现过程、遇到的问题及解决办法、数据分析思想及结论。
遇到的问题:
1、开始无法安装wordcloud
解决办法:在网站https://www.lfd.uci.edu/~gohlke/pythonlibs/#wordcloud下载wordcloud-1.4.1-cp36-cp36m-win32.whl
然后在终端pip install wordcloud-1.4.1-cp36-cp36m-win32.whl
2、安装完wordcloud-1.4.1-cp36-cp36m-win32.whl 无法导入wordcloud
解决方法:通过网上查找我找到了如下的办法::
打开项目选择file-->settings...-->project-projiect interpreter右边选择上方长条框,选择Show All...,接着选择System Interpreter就可以了
数据分析思想及结论:
我的数据分析是打开我爬取的数据文件,然后通过结巴进行分词,最后生成词云。
结论:在做大作业的过程中,通过遇到问题然后找到解决问题的方法,我对爬虫有了进一步的了解,同时,也能从中发现自己的不足就是:对通过结巴进行数据分析不熟练。
6.最后提交爬取的全部数据、爬虫及数据分析源代码。
全部代码:
import requests ##导入requests from bs4 import BeautifulSoup ##导入bs4中的BeautifulSoup from PIL import Image, ImageSequence import numpy as np import matplotlib.pyplot as plt from wordcloud import WordCloud, ImageColorGenerator import jieba headers = \'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0\' all_url =\'http://heyuan.8684.cn/\' ##开始的URL地址 start_html = requests.get(all_url, headers=headers) #print(start_html.text) Soup = BeautifulSoup(start_html.text, \'html.parser\') all_1 = Soup.find(\'div\', class_=\'bus_kt_r1\').find_all(\'a\')#获取以数字开头所有路线 Network_list = [] for a in all_1: href = a[\'href\'] # 取出a标签的href 属性 html = all_url + href second_html = requests.get(html, headers=headers) #print(second_html.text) Soup2 = BeautifulSoup(second_html.text, \'html.parser\') all_a2 = Soup2.find(\'div\', class_=\'stie_list\').find_all(\'a\') for a2 in all_a2: title1 = a2.get_text() # 取出a1标签的文本 href1 = a2[\'href\'] # 取出a标签的href 属性 # print(title1, href1) html_bus = all_url + href1 # 构建线路站点url thrid_html = requests.get(html_bus, headers=headers) Soup3 = BeautifulSoup(thrid_html.text, \'html.parser\') # 以html.parser方式解析html bus_name = Soup3.find(\'div\', class_=\'bus_i_t1\').find(\'h1\').get_text() # 提取线路名 bus_type = Soup3.find(\'div\', class_=\'bus_i_t1\').find(\'a\').get_text() # 提取线路属性 bus_time = Soup3.find_all(\'p\', class_=\'bus_i_t4\')[0].get_text() # 运行时间 bus_cost = Soup3.find_all(\'p\', class_=\'bus_i_t4\')[1].get_text() # 票价 bus_company = Soup3.find_all(\'p\', class_=\'bus_i_t4\')[2].find(\'a\').get_text() # 公交公司 bus_update = Soup3.find_all(\'p\', class_=\'bus_i_t4\')[3].get_text() # 更新时间 bus_label = Soup3.find(\'div\', class_=\'bus_label\') if bus_label: bus_length = bus_label.get_text() # 线路里程 else: bus_length = [] print(bus_name, bus_type, bus_time, bus_cost, bus_company, bus_update) all_line = Soup3.find_all(\'div\', class_=\'bus_line_top\') # 线路简介 all_site = Soup3.find_all(\'div\', class_=\'bus_line_site\') # 公交站点 line_x = all_line[0].find(\'div\', class_=\'bus_line_txt\').get_text()[:-9] + all_line[0].find_all(\'span\')[ -1].get_text() sites_x = all_site[0].find_all(\'a\') sites_x_list = [] # 上行线路站点 for site_x in sites_x: sites_x_list.append(site_x.get_text()) line_num = len(all_line) if line_num == 2: # 如果存在环线,也返回两个list,只是其中一个为空 line_y = all_line[1].find(\'div\', class_=\'bus_line_txt\').get_text()[:-9] + all_line[1].find_all(\'span\')[ -1].get_text() sites_y = all_site[1].find_all(\'a\') sites_y_list = [] # 下行线路站点 for site_y in sites_y: sites_y_list.append(site_y.get_text()) else: line_y, sites_y_list = [], [] information = [bus_name, bus_type, bus_time, bus_cost, bus_company, bus_update, bus_length, line_x, sites_x_list, line_y, sites_y_list] Network_list.append(information) # 定义保存函数,将运算结果保存为txt文件 def text_save(content, filename, mode=\'a\'): file = open(filename, mode, encoding=\'utf-8\') for i in range(len(content)): file.write(str(content[i]) + \'\\n\') file.close() # 输出处理后的数据 text_save(Network_list, \'Network_bus.txt\') # 读入背景图片 abel_mask = np.array(Image.open("./公交车.jpg")) # 读取要生成词云的文件 path = open(\'Network_bus.txt\',encoding=\'utf-8\').read() # 通过jieba分词进行分词并通过空格分隔 wordlist_after_jieba = jieba.cut(path, cut_all=True) wl_space_split = " ".join(wordlist_after_jieba) my_wordcloud = WordCloud().generate(wl_space_split) my_wordcloud = WordCloud( background_color=\'white\', # 设置背景颜色 mask=abel_mask, # 设置背景图片 max_words=200, # 设置最大现实的字数 font_path=\'C:/Users/Windows/fonts/simkai.ttf\', max_font_size=50, random_state=30, # 设置有多少种随机生成状态,即有多少种配色方案 scale=.5, ).generate(wl_space_split) # 根据图片生成词云颜色 image_colors = ImageColorGenerator(abel_mask) # my_wordcloud.recolor(color_func=image_colors) # 以下代码显示图片 plt.imshow(my_wordcloud) plt.axis("off") plt.show()
爬虫大作业(代码片段)
importjieba.analysefromPILimportImage,ImageSequenceimportnumpyasnpimportmatplotlib.pyplotaspltfromwordcloudimportWordCloud,ImageColorGeneratorimportrequestsfromurllibimportparsefrombs4importBeau 查看详情
爬虫大作业(代码片段)
importrequestsimportrefrombs4importBeautifulSoupimportjieba.analysefromPILimportImage,ImageSequenceimportnumpyasnpimportmatplotlib.pyplotaspltfromwordcloudimportWordCloud,ImageColorGenerator#获取总页数defg 查看详情
爬虫大作业(代码片段)
1.主题爬取小说网站的《全职高手》小说第一章 2.代码 导入包importrandomimportrequestsimportreimportmatplotlib.pyplotaspltfromwordcloudimportWordCloud,ImageColorGenerator,STOPWORDSimportjiebaimportnumpyasnpfromPILimport 查看详情
爬虫大作业(代码片段)
#-*-coding:utf-8-*-#第三方库importscrapyfromscrapy.spidersimportSpiderfromlxmlimportetreeimportreimportjiebafromBoKeYuan.itemsimportBokeyuanItemclassBlogYuanSpider(Spider):name=‘blog_yuan‘start_urls=[‘htt 查看详情
爬虫大作业(代码片段)
词云生成importjiebaimportPILfromwordcloudimportWordCloudimportmatplotlib.pyplotaspimportosinfo=open(‘wmh.txt‘,‘r‘,encoding=‘utf-8‘).read()text=‘‘text+=‘‘.join(jieba.lcut(info))wc=WordCloud(font_path=‘./fo 查看详情
爬虫大作业(代码片段)
代码:#encoding=utf-8importreimportrequestsimporturllib2importdatetimeimportMySQLdbfrombs4importBeautifulSoupimportsysreload(sys)sys.setdefaultencoding("utf-8")classSplider(object):def__init__(self):prin 查看详情
爬虫大作业(代码片段)
importrequests,re,jiebafrombs4importBeautifulSoupfromdatetimeimportdatetime#获取新闻细节defgetNewsDetail(newsUrl):resd=requests.get(newsUrl)resd.encoding=‘gb2312‘soupd=BeautifulSoup(resd.text,‘html.parser‘) 查看详情
爬虫大作业(代码片段)
1.爬取豆瓣电影top250。(所有同学不能雷同)2.用python编写爬虫程序,从网络上爬取相关主题的数据。importrequestsfrombs4importBeautifulSoupfromdatetimeimportdatetimeimportreimportpandas#电影简介保存到txt。defwriteNewsDetail(content):f=open(‘wzh.txt‘,‘a 查看详情
爬虫大作业(代码片段)
用python编写爬虫程序,从网络上爬取相关主题的数据importrequestsfrombs4importBeautifulSoupasbsdefgetreq(url):header=‘user-agent‘:‘Mozilla/5.0(WindowsNT10.0;WOW64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/59.0.3071.115Safar 查看详情
爬虫大作业(代码片段)
对豆瓣读书网进行书评书单推荐简介和推荐链接数据爬取: frombs4importBeautifulSoupimportrequestsimportjiebaimporttimeimportdatetimer=requests.get(‘https://book.douban.com‘)lyrics=‘‘html=r.textsoup=BeautifulSoup(html,‘html.parser 查看详情
爬虫大作业(代码片段)
通过爬游侠网的游戏资讯页面,获取新闻标题和作者,并对作者进行统计,网站http://www.ali213.net/news/game/首先是要对网站发送请求下面是我的代码fromurllib.parseimportquoteimportstringclassHtmlDownloader(object):defdownload(self,url):ifurlisNone:returnNo... 查看详情
爬虫大作业(代码片段)
...能雷同)我选了附近松田学校的校园网来爬取2.用python编写爬虫程序,从网络上爬取相关主题的数据。#-*-coding:utf-8-*-importrequestsfrombs4importBeautifulSoupasbsdefgettext(url):header=‘user-agent‘:‘Mozilla/5.0(WindowsNT10.0; 查看详情
爬虫大作业(代码片段)
defget_content_info(content_url):res=requests.get(content_url)res.encoding=‘gbk‘soup=BeautifulSoup(res.text,‘html.parser‘)returnsoup.select(‘#endText‘)[0].textdefget_page_info(page_url):res=requests.g 查看详情
爬虫大作业(代码片段)
...点数据。爬取的站点:http://heyuan.8684.cn/ 2.用python编写爬虫程序,从网络上爬取相关主题的数据。(1)环境配置:importrequests##导入requestsfrombs4importBeautifulSoup##导入bs4中的BeautifulSouphead 查看详情
爬虫大作业(代码片段)
...,与校园新闻版面类似,爬去50页 2.用python编写爬虫程序,从网络上爬取相关主题的数据。 利用所学知识,导入要用的类importrequestsfrombs4importBeautifulSoupimportjieba审查元素,获取网页内容 3.对爬了的数据进行 查看详情
爬虫大作业(代码片段)
打开酷我新歌排行榜,网址是http://www.kuwo.cn/bang/index 代码:用requests库和BeautifulSoup库,爬取酷我新歌榜当前页面的每首的曲目、作者、歌词、排行、链接等,将获取歌曲详情的代码定义成一个函数 musicUrl=‘http://... 查看详情
爬虫大作业(代码片段)
...也想比较下标题党还是和实际内容的差异。2.用python编写爬虫程序,从网络上爬取相关主题的数据。3.对爬了的数据进行文本分析,生成词云。4.对文本分析结果进行解释说明。5.写一篇完整的博客,描述上述实现过程、遇到的问... 查看详情
python大作业——爬虫+可视化+数据分析+数据库(可视化篇)(代码片段)
相关链接Python大作业——爬虫+可视化+数据分析+数据库(简介篇)Python大作业——爬虫+可视化+数据分析+数据库(爬虫篇)Python大作业——爬虫+可视化+数据分析+数据库(数据分析... 查看详情