爬虫大作业

一、选一个自己感兴趣的主题（所有人不能雷同）。

因为以前很喜欢看小说，看到一些小说情节时会想象这样写好不好，怎样写能更好。因为好的剧情和文章质量能够吸引更多的读者，并且从商业角度出发有质量的文章能留住‘老书虫‘，而大部分的小说打赏其实是来自老读者的。 

这次的爬虫网站是起点中文网，此网站可以说是中国最热门的小说网站了

 

网站盈利很大一部分来自读者的消费，读者消费可以从月票体现，因为地点必须是充值才会有月票。所以获得月票多的作家，收入就多。

这里收集了起点网前400人气作品的月票当月月票总数，并进行词云分析。可以分析出当月月票数最多的几部作品。看出最近什么作品比较赚钱。

 

二、实现步骤：

先获取一部小说的具体消息

#获取一部小说相关信息
def getDetailNovel(novelUrl):
    res = requests.get(novelUrl)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text, 'html.parser')
    news={}
    news['novel']=soup.select('h1')[0].select('em')[0].text
    news['author'] = soup.select('h1')[0].select('span')[0].select('a')[0].text
    news['ticket']= soup.select('.num')[0].select('i')[0].text
    news['context'] =soup.select('.book-info')[0].select('p')[1].text
    zidian[news['author']]=int(news['ticket'])
    return news

再获取一页小说的信息(起点网是一页陈列20部小说信息)

def getOnePageDetailNovle(url):
    resd = requests.get(url)
    resd.encoding = 'utf-8'
    soupd = BeautifulSoup(resd.text, 'html.parser')
    onePageNews=[]

    for i in range (0,20):
        oneUrl='http://'+soupd.select('ul')[10].select('li')[i].select('h4')[0].select('a')[0].attrs['href'].strip('/')
        novleNews = getDetailNovel(oneUrl)
        print(novleNews)
        onePageNews.append(novleNews)
    return onePageNews

 

最后选择获取多少页的小说信息

#获取设定页p全部小说相关信息
def getAllPageDetailNovle(p):
    allPageNews = []
    for i in range(1, p+1):
        listPageUrl = 'https://www.qidian.com/all?orderId=&style=1&pageSize=20&siteid=1&pubflag=0&hiddenField=0&page={}'.format(
            i)
        print(listPageUrl)
        allPageNews.extend(getOnePageDetailNovle(listPageUrl))
    return allPageNews

结果存进excel表格

df=pandas.DataFrame(allPageNews)
df.to_excel('cwh.xlsx',encoding='utf-8')

 

 

 

用词云展示

import wordcloud
from PIL import Image,ImageSequence
import numpy as np
import matplotlib.pyplot as plt
from wordcloud import WordCloud,ImageColorGenerator
image= Image.open('./3.jpg')
graph = np.array(image)
font=r'C:\Windows\Fonts\simhei.TTF'
wc = WordCloud(font_path=font,background_color='White',max_words=50,mask=graph)
wc.generate_from_frequencies(zidian)
image_color = ImageColorGenerator(graph)
plt.imshow(wc)
plt.axis("off")
plt.show()

选取的图片

结果

可以看出本月《重生似水青春》获得月票远超其他小说。

三、遇到的问题

1.首先，因为电脑烧了，所以我用的是舍友的笔记本写的，已经是安装好了词云，所以没有体验到安装过程遇到的问题。

2.爬取中遇到的问题：起初目标是爬取前一千的数据，但是爬着爬着的时候就报错了

后面通过上网查询原因，有答案称是起点设置了限制，最多单次只可访问限定部小说数据，多了就会被远程中断。所以最后选择400部

3.本来想再爬取个点击量的数据，F12调出开发者模式看了下发现

 

数据被加密了，直接调用是会展示空值的，所以这个方法不行再看network里的记录，发现里面有，但是并不能直接调用

需要获取3个数据：分别是书的id（bookId）、作者id（authorId）和书的种类id（chanId）。

一番摸索后发现书和作者的id可以在小说信息页面获取，但是种类不行。所以最后放弃获取点击量。

 四、所有代码

import requests
import re
from bs4 import BeautifulSoup
from datetime import datetime
import openpyxl
import pandas


#获取一部小说相关信息
def getDetailNovel(novelUrl):
    res = requests.get(novelUrl)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text, 'html.parser')
    news={}
    news['novel']=soup.select('h1')[0].select('em')[0].text
    news['author'] = soup.select('h1')[0].select('span')[0].select('a')[0].text
    news['ticket']= soup.select('.num')[0].select('i')[0].text
    news['context'] =soup.select('.book-info')[0].select('p')[1].text
    zidian[news['novel']]=int(news['ticket'])
    return news
# 获取设定页p全部小说相关信息
def getOnePageDetailNovle(url):
    resd = requests.get(url)
    resd.encoding = 'utf-8'
    soupd = BeautifulSoup(resd.text, 'html.parser')
    onePageNews=[]

    for i in range (0,20):
        oneUrl='http://'+soupd.select('ul')[10].select('li')[i].select('h4')[0].select('a')[0].attrs['href'].strip('/')
        novleNews = getDetailNovel(oneUrl)
        print(novleNews)
        onePageNews.append(novleNews)
    return onePageNews

#获取设定页p全部小说相关信息
def getAllPageDetailNovle(p):
    allPageNews = []
    for i in range(1, p+1):
        listPageUrl = 'https://www.qidian.com/all?orderId=&style=1&pageSize=20&siteid=1&pubflag=0&hiddenField=0&page={}'.format(
            i)
        print(listPageUrl)
        allPageNews.extend(getOnePageDetailNovle(listPageUrl))
    return allPageNews

zidian={}
allPageNews=[]
allPageNews=getAllPageDetailNovle(20)
df=pandas.DataFrame(allPageNews)

df.to_excel('cwh.xlsx',encoding='utf-8')
import wordcloud
from PIL import Image,ImageSequence
import numpy as np
import matplotlib.pyplot as plt
from wordcloud import WordCloud,ImageColorGenerator
image= Image.open('./3.jpg')
graph = np.array(image)
font=r'C:\Windows\Fonts\simhei.TTF'
wc = WordCloud(font_path=font,background_color='White',max_words=50,mask=graph)
wc.generate_from_frequencies(zidian)
image_color = ImageColorGenerator(graph)
plt.imshow(wc)
plt.axis("off")
plt.show()

 

五、总结

本次遇到了很多的问题，并不像上课时老师喂饼的方式般易懂、很多模糊的地方需要自己摸索，在网上查资料，而且查了也不一定懂，最后可能会选择更换方法实现。

通过本次实验更好的掌握和加深了老师上课讲过的知识，例如列表、字典等的使用，同时扩充了其他知识。