集数据,尤其是有标签、高质量的数据是一件昂贵的工作。
爬虫的过程,就是模仿浏览器的行为,往目标站点发送请求,接收服务器的响应数据,提取需要的信息,并进行保存的过程。
Python为爬虫的实现提供了工具:requests模块、BeautifulSoup库
任务描述
本次实践使用Python来爬取百度百科中《青春有你2》所有参赛选手的信息。
数据获取:https://baike.baidu.com/item/青春有你第二季
import json
import re
import requests
import datetime
from bs4 import BeautifulSoup
import os
#获取当天的日期,并进行格式化,用于后面文件命名,格式:20200420
today = datetime.date.today().strftime('%Y%m%d')
def crawl_wiki_data():
"""
爬取百度百科中《青春有你2》中参赛选手信息,返回html
"""
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
}
url='https://baike.baidu.com/item/青春有你第二季'
try:#预防报错采用异常处理确保软件稳定性
response = requests.get(url,headers=headers)#爬取页码
print(response.status_code)#输出页码访问情况(如果正确一般是200)
#将一段文档传入BeautifulSoup的构造方法,就能得到一个文档的对象, 可以传入一段字符串
soup = BeautifulSoup(response.text,'lxml')
#返回的是class为table-view log-set-param的<table>所有标签
tables = soup.find_all('table',{'class':'table-view log-set-param'})
crawl_table_title = "参赛学员"
for table in tables:
#对当前节点前面的标签和字符串进行查找
#定位到我们所需要的内容上
table_titles = table.find_previous('div').find_all('h3')
for title in table_titles:
if(crawl_table_title in title):
return table
except Exception as e:
print(e)#输出报错原因(种类)
def parse_wiki_data(table_html):
'''
从百度百科返回的html中解析得到选手信息,以当前日期作为文件名,存json文件,保存到work目录下
'''
bs = BeautifulSoup(str(table_html),'lxml')#用bs4进行解析
all_trs = bs.find_all('tr')#获取所有的'tr'标签
error_list = ['\'','\"']
stars = []
for tr in all_trs[1:]:#循环除了第一个‘tr’标签以外的内容
all_tds = tr.find_all('td')
star = {}
#获取并保存数据
#姓名
star["name"]=all_tds[0].text
#个人百度百科链接
star["link"]= 'https://baike.baidu.com' all_tds[0].find('a').get('href')
#籍贯
star["zone"]=all_tds[1].text
#星座
star["constellation"]=all_tds[2].text
#身高
star["height"]=all_tds[3].text
#体重
star["weight"]= all_tds[4].text
#花语,去除掉花语中的单引号或双引号
flower_word = all_tds[5].text
for c in flower_word:
if c in error_list:
flower_word=flower_word.replace(c,'')
star["flower_word"]=flower_word
#公司
if not all_tds[6].find('a') is None:
star["company"]= all_tds[6].find('a').text
else:
star["company"]= all_tds[6].text
stars.append(star)
json_data = json.loads(str(stars).replace("\'","\""))
#此处的work修改为电脑实际位置如:./ #(本目录下)
with open('work/' today '.json', 'w', encoding='UTF-8') as f:
json.dump(json_data, f, ensure_ascii=False)
def crawl_pic_urls():
'''
爬取每个选手的百度百科图片,并保存
'''
#修改此处位置
with open('work/' today '.json', 'r', encoding='UTF-8') as file:
json_array = json.loads(file.read())
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
}
for star in json_array:
name = star['name']
link = star['link']
#!!!请在以下完成对每个选手图片的爬取,将所有图片url存储在一个列表pic_urls中!!!
'''
需要输入的内容!!!
'''
#!!!根据图片链接列表pic_urls, 下载所有图片,保存在以name命名的文件夹中!!!
down_pic(name,pic_urls)
def down_pic(name,pic_urls):
'''
根据图片链接列表pic_urls, 下载所有图片,保存在以name命名的文件夹中,
'''
#修改实际位置
path = 'work/' 'pics/' name '/'
if not os.path.exists(path):#如果文件不存在则创建
os.makedirs(path)
for i, pic_url in enumerate(pic_urls):循环列表并输出列表内的编码
try:#异常处理
pic = requests.get(pic_url, timeout=15)
string = str(i 1) '.jpg'
with open(path string, 'wb') as f:#打开文件保存并关闭
f.write(pic.content)
print('成功下载第%s张图片: %s' % (str(i 1), str(pic_url)))
except Exception as e:
print('下载第%s张图片时失败: %s' % (str(i 1), str(pic_url)))
print(e)
continue
def show_pic_path(path):
'''
遍历所爬取的每张图片,并打印所有图片的绝对路径
'''
pic_num = 0
for (dirpath,dirnames,filenames) in os.walk(path):
for filename in filenames:
pic_num = 1
print("第%d张照片:%s" % (pic_num,os.path.join(dirpath,filename)))
print("共爬取《青春有你2》选手的%d照片" % pic_num)
if __name__ == '__main__':#主函数
#爬取百度百科中《青春有你2》中参赛选手信息,返回html
html = crawl_wiki_data()
#解析html,得到选手信息,保存为json文件
parse_wiki_data(html)
#从每个选手的百度百科页面上爬取图片,并保存
crawl_pic_urls()
#打印所爬取的选手图片路径
#修改到实际位置
show_pic_path('/home/aistudio/work/pics/')
print("所有信息爬取完成!")
上面的代码把《青春有你2》的百度百科页面进行了解析,提取每个练习生的百科地址然后是我们填写的内容下面是下载图片,保存图片然后是输出目录下面的文件名字
先行爬取页面然后根据页面找到图库地址在这里插入图片描述
这个地址需要拼接,拼接好以后,就可以使用了。
拼接好以后request到页面
找到有关地址进行分析,然后把地址获取下来放到列表即可。
#小编源码,有许多输出测试
pic_urls = []#新建列表每次循环初始化
r = requests.get(link, headers= headers)#获取每个页面的信息
#print(r.text)
soup = BeautifulSoup(r.text, 'lxml')#解析页面
# print(soup)
migs = soup.find_all('div', class_='summary-pic')
#print(migs)
migs = migs[0].a.get('href')#获取链接的部分内容
if 'http' not in migs:#避免其他内容干扰报错
# print(migs)
url = f'http://baike.baidu.com{migs}'#拼接链接
# print(url)
photo_r = requests.get(url, headers= headers)#获取链接页面
# print(photo_r.text)
photo_soup = BeautifulSoup(photo_r.text, 'lxml')#解析页面
photo_urls = photo_soup.find_all('a', class_='pic-item')#解析页面
for photo_url in photo_urls:
print(photo_url)
try:
photo_url = photo_url.img.get('src')#获取图片地址
pic_urls.append(photo_url)#放入列表
except:
continue
在里面因为是远端文件所有的地址需要修改改到实际是电脑的位置,小编已经给了标注大家注意!!!今天的内容就到这里了,明天再见,不不不明天小编就肝秃了。
后续会有持续更新,记得给小编点个赞呦。小编还有公众号:芝麻代理。里面会有我每天最新文章的更新。还整理了一些python学习资料。回复:资料分享。免费领取。
Copyright © 2024 妖气游戏网 www.17u1u.com All Rights Reserved