抓取文章的链接,访问量保存到本地
1 #coding=utf-8 2 import requests as req 3 import re 4 import urllib 5 from bs4 import BeautifulSoup 6 import sys 7 import codecs 8 import time 9 10 11 r=req.get('https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000', 12 headers={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'}) 13 content=r.text 14 #print(content) 15 soup=BeautifulSoup(content,'html.parser') 16 17 #下面2行内容解决UnicodeEncodeError: 'ascii' codec can't encode characters in position 63-64问题,但是加了后print就打印不出来了,需要查原因 18 reload(sys) 19 sys.setdefaultencoding('utf-8') 20 21 i=0 22 for tag in soup.find_all(re.compile(r'^a{1}'),{'class':'x-wiki-index-item'}): 23 i=i+1 24 if i%3==0: 25 time.sleep(30) 26 name=tag.get_text() 27 href='https://www.liaoxuefeng.com'+tag['href'] 28 req2=req.get(href,headers={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'}) 29 time.sleep(3) 30 soup2=BeautifulSoup(req2.text,'html.parser') 31 count=soup2.find_all('div',{'class':'x-wiki-info'}) 32 try: 33 co=count[0].find('span').get_text() 34 co=co[7:] 35 except IndexError as e: 36 co='0' 37 with open('E:/sg_articles.xlsx', 'a+') as f: 38 f.write(codecs.BOM_UTF8)#解决写入csv后乱码问题 39 f.write(name+','+href+','+co+'\n') 40 ''' 41 睡眠是因为网页访问过多就会报503 Service Unavailable for Bot网站超过了iis限制造成的由于2003的操作系统在提示IIS过多时并非像2000系统提示“链接人数过多” 42 http://www.51testing.com/html/53/15150753-4455790.html --数据可视化 43 http://www.cnblogs.com/xxoome/p/5880693.html --python引入模块时import与from ... import的区别 44 https://www.cnblogs.com/amou/p/9184614.html --讲解几种爬取网页的匹配方式 45 https://www.cnblogs.com/yinheyi/p/6043571.html --python基本语法 46 '''
上面代码的思路:先获取主网页,再遍历主网页上的文章链接并请求这些链接以进入子网页,从而获得子网页中span标签保存的访问量。
下面打开本地文件,pandas进行数据分析,然后pyecharts实现图形化
1 #coding=utf-8 2 from pyecharts import Bar 3 import pandas as pd 4 5 p=pd.read_excel('E:\sg_articles.xls',names=["title","href","count"]) 6 a=p.sort_values(by='count',ascending=False)[0:3] 7 title=a['title'] 8 count=a['count'] 9 bar=Bar("点击量TOP3", title_pos='center', title_top='18', width=800, height=400) 10 bar.add("", title, count, is_convert=True, xaxis_min=10, yaxis_rotate=30, yaxis_label_textsize=10, is_yaxis_boundarygap=True, yaxis_interval=0, 11 is_label_show=True, is_legend_show=False, label_pos='right',is_yaxis_inverse=True, is_splitline_show=False) 12 bar.render("E:\点击量TOP3.html")
最后的结果
同时还有很多疑问,需要懂的朋友帮忙解答:
1.第一段代码中保存的xlsx格式,实际保存后打开是提示有损坏的,使用xml打开则就没有问题,另存为xls格式后打开也没有问题
2.访问量过多会报错,我就利用了sleep,但实际上访问量间断性的读取到了值,有的为什么读不到值了?
3.利用sort_values对count列进行排序取前3,这个会自动排除掉excel表格的第一行,不知道是为什么
感觉后面我还需要强化1)pandas数据处理的方法,比如分组排序等
2)正则表达式的提取
3)pyecharts的图形绘制
4)在遇到网页有反爬情况下的虚拟ip设置等
记录我的python学习之路,大家一起努力哟~~