爬虫大作业

爬取汽车之家网站信息:

1、主题:爬取汽车之家当中新闻的的内容,对内容中的词语进行分析,生成词云

网址:https://www.autohome.com.cn/news/?p=s#liststart

2、具体步骤实现

//获取Url页面中的时间、来源、名字和内容
def getNewsDetail(Url): res = requests.get(Url) res.encoding = 'gb2312' Ssoup = BeautifulSoup(res.text, 'html.parser') news={} if len(Ssoup.select('.time'))>0: time = Ssoup.select('.time')[0].text.rstrip(' ').lstrip('\r\n') dt = datetime.strptime(time, '%Y年%m月%d日 %H:%M') else: dt='none' if len(Ssoup.select('.source'))>0: source = Ssoup.select('.source')[0].text.lstrip("来源:") else: source='none' if len(Ssoup.select('.name')) > 0: name = Ssoup.select('.name')[0].text.lstrip('\n').rstrip('\n') else: name='none' if len(Ssoup.select('.details')) > 0: content = Ssoup.select('.details')[0].text.strip() else: content = 'none' news['time'] = dt news['source'] = source news['name'] = name news['content'] = content writeContent(news['content']) print(dt,source,name,Url) return news

 由于是一个函数所以需要适应所有的页面而不是只是适合一个页面,所以需要判断是否存在时间、姓名、来源等,没有的页面给这些值赋予none

//获取一个页面中有多少条新闻信息
def getListPage(pageUrl): res = requests.get(pageUrl) res.encoding = 'gb2312' soup = BeautifulSoup(res.text, 'html.parser') newslist = [] for a in soup.select(".article-wrapper"): for b in a.select('li'): if len(b.select("a")) > 0: newsUrl = 'http:'+ b.select("a")[0].attrs['href'] newslist.append(getNewsDetail(newsUrl)) return(newslist)

 由于该页面中存在许多li,所以需要对li和a先进行便利

//获取有多少页
def getPageN(): res = requests.get(pageUrl) res.encoding = 'gb2312' soup = BeautifulSoup(res.text, 'html.parser') for a in soup.select('.page'): n = int(a.select('a')[10].text) return n

  

pageUrl='https://www.autohome.com.cn/news/'
newstotal = []
newstotal.extend(getListPage(pageUrl))
n = getPageN()
for i in range(2,n):
    listPageUrl = 'https://www.autohome.com.cn/news/{}/#liststart'.format(i)
    newstotal.extend(getListPage(listPageUrl))
# df = pandas.DataFrame(newstotal)
# import openpyxl
# df.to_excel('work.xlsx')

由于该新闻网站的页面过多,在爬取过程胡出现连接错误,所以在后面的内容只是爬取到第161页的数据,大概2018年一整年的数据

//将
import jieba f = open('content.txt','r',encoding = 'utf-8') story=f.read() f.close() sep=''',。‘’“”:;()!?、《》 . < > / - 0 1 2 3 4 5 6 7 8 9 A B C D E F G H I J K L M N O P Q R S T U V W X Y J a b c d e f g h i j k l m n o p q r s t u v w x y j''' exclude={' ',' ',' '} for c in sep: story = story.replace(c,'') tem=list(jieba.cut(story)) wordDict={} words=list(set(tem)-exclude) for w in range(0,len(words)): wordDict[words[w]]=story.count(str(words[w])) dictList = list(wordDict.items()) dictList.sort(key=lambda x:x[1],reverse=True) f = open('news.txt', 'a',encoding="utf-8") for i in range(150): f.write(dictList[i][0]+'\n') f.close()

 读取刚刚爬取的content.txt中的内容,用jieba词库对内容进行分词,统计前150个祠是什么,然后存储到news.txt中 

import wordcloud
from PIL import Image,ImageSequence
import numpy as np
import matplotlib.pyplot as plt
from wordcloud import WordCloud,ImageColorGenerator
import jieba
f = open("news.txt","r",encoding='utf-8')
str1 = f.read()
stringList =list(jieba.cut(str1))
delset = {",","。",":","“","”","?"," ",";","!","、"}
stringset = set(stringList) - delset
countdict = {}
for i in stringset:
    countdict[i] = stringList.count(i)
image= Image.open('G:\Work\Python1\\789.jpg')
graph = np.array(image)
font=r'C:\Windows\Fonts\simhei.TTF'
wc = WordCloud(font_path=font,background_color='White',max_words=100,mask=graph)
wc.generate_from_frequencies(countdict)
image_color = ImageColorGenerator(graph)
plt.imshow(wc)
plt.axis("off")
plt.show()

读取news.txt中获取的前150个祠,生成词云

3、结果

 

 

 

 

 

 4、遇到的问题(包括已经解决的和未解决的)

问题一:

在将newlist导入到Excel表中时候,出现了这样的错误,我尝试了一下只运行到第9页就可以导入到Excel当中,然后我看了一下网站页数

在第9页的时候出现的出现额省略号,然后我查了很多办法,没办法解决问题,我觉得可能跟他自己的定义的div有关系,希望有大神解救。。。

问题二:

在生成newsUrl的时候,是没有加http这个超文本协议的,然后爬取网站的Url的时候是没办法直接在控制台进行访问的,但是复制网址到浏览器却可以进行访问,最后我发现浏览器会自动添加http

问题三:

在导入wordcloud的时候是不能直接导入的,需要从网上下载之后进行导入,刚开始我导入的是wordcloud-1.4.1-cp36-cp36m-win64.whl,但后面报错了,分析之后发现我安装的PyCharm是32位的

问题四:

上面也说到了,该网站有4000多页数据,刚开始我也想把全部数据爬取下来,但在爬取过程中总会出现错误,经过搜索发现,在爬取庞大的数据时,服务器会对极速访问的用户进行限制,所以我想通过time包,

实现一秒一次进行访问,但是还是会出现该错误,所以最后我选择了前160页进行爬取,大概是2018年的数据。

 5、思想及结论

爬虫爬取数据还是具有一定的实际意义,从汽车之家的新闻网站中可以获取到汽车新闻资讯的热门词汇,增长对汽车的了解。

通过这次的爬虫大作业,加深我对爬取数据步骤等的了解和运用,在以后的工作生活中会起到一定作用。

 

posted @ 2018-04-23 01:17  200张德标  阅读(247)  评论(0编辑  收藏  举报