第八周总结

正则解析红牛分公司

import re
import requests

res = requests.get('http://www.redbull.com.cn/about/branch')
s = res.text
name = re.findall("data-title='(.*?)'",s)
place = re.findall("data-describe='(.*?)'",s)
email = re.findall("<p class='mailIco'>(.*?)</p>",s)
phone = re.findall("<p class='telIco'>(.*?)</p>",s)
for i in range(len(name)):
    print('公司名称:%s'
          '公司地址:%s'
          '公司邮编:%s'
          '公司电话:%s'% (name[i],place[i],email[i],phone[i]))

 爬取糗图百科图片数据

import requests
from bs4 import BeautifulSoup
import os

if not os.path.exists(r'糗图图片'):
    os.mkdir(r'糗图图片')


def get_img(url):
    # 1.发送get请求获取页面数据
    res = requests.get(url)
    # 2.解析库bs4
    soup = BeautifulSoup(res.text, 'lxml')
    # 3.研究标签特征 获取图片链接
    img_tag_list = soup.find_all(name='img', attrs={'class': 'illustration'})
    for img in img_tag_list:
        img_src = img.get('src')
        full_src = 'https:' + img_src
        # 朝图片完整的地址发送请求保存数据
        res1 = requests.get(full_src)
        img_name = full_src.rsplit('/')[-1]
        file_path = os.path.join(r'糗图图片', img_name)
        with open(file_path, 'wb') as f:
            f.write(res1.content)
        print('图片:%s 保存成功' % img_name)


for i in range(1, 5):
    base_url = "https://www.qiushibaike.com/imgrank/page/%s/" % i
    get_img(base_url)

爬取优美图库高清图片

import requests
from bs4 import BeautifulSoup
import os
# 引用模块
if not os.path.exists(r'优美图片库'):
    os.mkdir(r'优美图片库')
# 查看本地是否存在优美图片库文件夹，如果没有则创建
res = requests.get('https://www.umei.cc/bizhitupian/fengjingbizhi/')    # 获取网页数据
res.encoding = 'utf-8'  # 确认一下编码的类型
soup = BeautifulSoup(res.text, 'lxml')  # 选定筛选的范围
div_tag = soup.find(name='div', attrs={'class': 'TypeList'})    # 筛选class为TypeList的div代码
li_list = div_tag.find_all(name='li')   # 找到div中的li字段
for li in li_list:  # 循环取出每一条li字段
    a_tag = li.find(name='a')   # 筛选出每一条li中的a字段
    a_link = a_tag.get('href')  # 获取每一条a字段中的href
    a_full_link = 'https://www.umei.cc' + a_link    # 把href拼接成正确的网页
    res1 = requests.get(a_full_link)    # 从新网页获取数据
    soup1 = BeautifulSoup(res1.text, 'lxml')  # 选定筛选的范围
    img_tag = soup1.select('div.ImageBody img')    # 筛选class为ImageBody的div代码中的img代码
    for img in img_tag:     # 循环取出img代码
        src = img.get('src')    # 获取img代码中的src字段
        res2 = requests.get(src)    # 通过src获取图片数据
        file_path = os.path.join(r'优美图片库', src.rsplit('/')[-1])   # 给图片取名字，并路径拼接到优美图片库文件夹中
        with open(file_path, 'wb') as f:
            f.write(res2.content)   # 把从网页获取的图片数据写入优美图片库中
        print('图片:%s 下载成功' % file_path)

爬取梨视频视频数据

梨视频爬取流程 - 雾雨黑白 - 博客园 (cnblogs.com)

 

import requests
from bs4 import BeautifulSoup
import os
import time

if not os.path.exists(r'梨视频数据'):
    os.mkdir(r'梨视频数据')


def get_video(n):
    res = requests.get('https://www.pearvideo.com/category_loading.jsp?reqType=5&categoryId=31&start=%s' % n)
    soup = BeautifulSoup(res.text, 'lxml')
    li_list = soup.select('li.categoryem')
    for li in li_list:
        a_tag = li.find(name='a')
        a_href_link = a_tag.get('href')  # video_1742158
        video_id = a_href_link.split('_')[-1]
        headers = {
            "Referer": "https://www.pearvideo.com/video_%s" % video_id
        }
        res1 = requests.get('https://www.pearvideo.com/videoStatus.jsp',
                            params={'contId': video_id},
                            headers=headers
                            )
        data_dict = res1.json()
        src_url = data_dict['videoInfo']['videos']['srcUrl']
        systemTime = data_dict['systemTime']
        # https://video.pearvideo.com/mp4/adshort/20210920/1632285084621-15771122_adpkg-ad_hd.mp4
        real_url = src_url.replace(systemTime, 'cont-%s' % video_id)

        res2 = requests.get(real_url)
        file_path = os.path.join(r'梨视频数据', '%s.mp4' % video_id)
        with open(file_path, 'wb') as f:
            f.write(res2.content)
        time.sleep(0.5)


for n in range(12, 48, 12):
    get_video(n)

防爬措施之防盗链

校验当前请求从何而来 如果是本网站则允许访问如果是其他网址则拒绝
在请求头中有一个专门用于记录从何而来的键值对
    referer建

openpyxl模块

1.excel文件的后缀名针对版本的不同是不同的

　　03版本之前：.xls

　　03版本之后：.xlsx

2.在python能够操作excel表格的模块有很多

　　openpyxl模块

　　　　最近几年比较流行的模块

　　　　　　该模块可以操作03版本之后的文件

　　　　　　针对03版本之前的兼容性可能不太好

　　xlrd、wlwt模块

　　　　xlrd控制读文件，wlwt控制写文件

　　　　　　该模块可以操作任何版本的excel文件

3.excel本质并不是一个文件

　　修改excel文件后缀名至.zip即可查看

（下载第三方模块：pip3 install openpyxl）

创建文件

（在使用openpyxl模块操作excel文件的时候一定要确保文件是关闭状态）

from openpyxl import Workbook

 

1.创建一个对象

wb = Workbook()

3.创建多个工作簿

wb1 = wb.create_sheet('学生表')
wb2 = wb.create_sheet('课程表')

4.还可以指定工作簿的顺序

w3 = wb.create_sheet('老师表',0)

5.create_sheet方法会返回当前被创建的工作簿对象

w3.title = '教师表'    # 工作簿名称支持二次修改
w3.sheet_properties.tabColor = "1072BA    "# 修改工作簿名称样式
print(wb.sheetnames)    # 查看当前excel文件所有的工作簿名称

2.保存文件

wb.save(r'1.xlsx')

 如何写数据

from openpyxl import Workbook

wb = Workbook()
wb1 = wb.create_sheet('数据统计',0)

 写入数据方式1

wb1['A1'] = 111
wb1['A2'] = 222

写入数据方式2

wb1.cell(column=1,row=3,value=333)    # cell意思是单元格

 写入数据方式3

wb1.append(['序号', '姓名', '年龄', '性别'])  # 定义表头数据
wb1.append([1, 'jason', 28, 'male'])  # 存储表单数据
wb1.append([2, 'tony', 38, 'female'])  # 存储表单数据
wb1.append([3, 'kevin', 28, 'male'])  # 存储表单数据
wb1.append([4, 'kevin1', 'male'])  # 存储表单数据
wb1.append([5, 'kevin2', 'female'])  # 存储表单数据
wb1.append([5, 'kevin2', '', 'female'])  # 存储表单数据
wb1.append([5, 'kevin2', 88, None])  # 存储表单数据

（append是按照行数一行行录入数据）

写入计算公式

wb1["A9"] = '=sum(A2:A8)'

wb.save(r'2.xlsx')

 如何读数据

from openpyxl import load_workbook

1.指定要读取的表格文件

wb = load_workbook(r'2.xlsx',data_only=True)

2.先查看工作簿名称，并指定你要操作的工作簿

print(wb.sheetnames)    # ['数据统计','Sheet']

3.指定操作的工作簿

wb1 = wb['数据统计']    # wb1指代的就是数据统计的工作簿

读取数据的方式1

print(wb1['B2'].value)    # 获取普通数据
print(wb1['A9'].value)    # 获取公式 =SUM(A2:A8)

 如果在读取数据的时候不想获取公式本身而是公式的结果需要指定data_only参数

wb = load_workbook(r'2.xlsx',data_only=True)

 读取数据的方式2

print(wb1.cell(row=3,column=2).value)

for row in wb1.rows:
    for r in row:
        print(r.value)

for col in wb1.columns:
    for c in col:
        print(c.value)

获取最大的行数和列数

print(wb1.max_row)
print(wb1.max_column)

爬取链接二手房数据并写入文件

1.先研究单页数据的爬取

2.再研究多页数据的爬取

3.最后研究如何写入文件

（一定要将复杂的功能拆分成多个简单的小步骤

2,3步骤可以交换顺序，可能更简单）

前戏：发现一些小规律

　　https://sh.lianjia.com/ershoufang/

　　　　省市

https://sh.lianjia.com/ershoufang/pudong/
　　　　　　　　　　　　　　　　区

 需求分析：

　　名称，地址，详细信息，关注人数，发布时间，单价，总价

多页分析：

　　第一页：https://sh.lianjia.com/ershoufang/pudong/

　　第二页：https://sh.lianjia.com/ershoufang/pudong/pg2/

　　第三页：https://sh.lianjia.com/ershoufang/pudong/pg3/

import requests
from bs4 import BeautifulSoup
from openpyxl import Workbook

wb = Workbook()
wb1 = wb.create_sheet('二手房数据')
# 先定义表头
wb1.append(['房屋名称', '详情链接', '小区名称', '区域名称', '详细信息', '关注人数', '发布时间', '总价', '单价'])


def get_info(num):
    # 1.经过分析得知页面数据直接加载
    res = requests.get('https://sh.lianjia.com/ershoufang/pudong/pg%s/' % num)
    # print(res.text)  # 2.查看是否有简单的防爬以及页面编码问题
    # 3.利用解析库筛选数据
    soup = BeautifulSoup(res.text, 'lxml')
    # 4.分析数据特征 采取相应解析措施
    # 先整体后局部 先查找所有li标签
    li_list = soup.select('ul.sellListContent>li')
    # 然后循环获取每一个li标签 再去内部筛选一个个数据
    for li in li_list:
        # 依次获取所需数据 select与findall返回的结果都是列表 find返回的是标签对象
        a_tag = li.select('div.title>a')[0]
        # 房屋名称
        title = a_tag.text
        # 详情链接
        link = a_tag.get('href')

        div_tag = li.select('div.positionInfo')[0]
        # 地址信息
        address = div_tag.text  # xxx - xxx
        res = address.split('-')
        if len(res) == 2:
            xq_name, xq_pro = res
        else:
            xq_name = xq_pro = res[0]

        div_tag1 = li.select('div.houseInfo')[0]
        # 详细信息
        # TODO:该项数据也可以做详细拆分 并且需要考虑缺失情况
        info = div_tag1.text

        div_tag2 = li.select('div.followInfo')[0]
        # 关注度及发布时间
        focus_time = div_tag2.text  # xxx / xxx
        people_num, publish_time = focus_time.split('/')

        div_tag3 = li.select('div.totalPrice')[0]
        # 总价
        total_price = div_tag3.text

        div_tag4 = li.select('div.unitPrice')[0]
        # 单价
        unit_price = div_tag4.text

        wb1.append(
            [title, link, xq_name.strip(), xq_pro.strip(), info, people_num.strip(), publish_time.strip(), total_price,
             unit_price])


for i in range(1, 5):
    get_info(i)

wb.save(r'二手房数据.xlsx')

 爬取汽车之家新闻数据

需求分析：

　　获取新闻数据：

　　　　新闻标题，新闻链接，新闻图标，发布时间，新闻简介

特性分析：

　　1.页面数据也存在动态加载，但是该动态加载是由js代码完成

　　（第一次请求数据的时候其实就已经获取到了所有的数据，只不过是通过js代码控制展示条数的）

　　2.页面干扰项

　　（没有实际作用的代码，只是夹杂在正常代码里防止被轻易爬取）

import time

import requests
from bs4 import BeautifulSoup
from openpyxl import Workbook

wb = Workbook()
wb1 = wb.create_sheet('汽车之家')
wb1.append(['详情链接', '新闻标题', '新闻图标', '发布时间', '新闻简介', '观看次数', '评论次数'])

for n in range(1):
    res = requests.get('https://www.autohome.com.cn/news/%s/#liststart'%n,
                       headers={
                           "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.82 Safari/537.36"
                       }
                       )
    res.encoding = 'gbk'
    soup = BeautifulSoup(res.text, 'lxml')
    # 1.先查找所有的li标签
    li_list = soup.select("ul.article>li")
    # 2.循环li标签 获取内部所需数据
    for li in li_list:
        a_tag = li.find('a')
        if not a_tag:
            # 当该标签内部无法获取到其他标签时 说明往下再获取其他标签就没有意义了
            continue
        # 新闻详情页链接
        link = 'https:' + a_tag.get('href')
        h3_tag = li.find('h3')
        if not h3_tag:
            continue
        # 获取新闻标题
        title = h3_tag.text
        img_tag = li.find('img')
        if not img_tag:
            continue
        # 获取新闻图标
        src = img_tag.get('src')
        span_tag = li.find('span')
        if not span_tag:
            continue
        # 获取发布时间
        publish_time = span_tag.text
        p_tag = li.find('p')
        if not p_tag:
            continue
        # 获取文字简介
        desc = p_tag.text
        em_tag = li.find('em')
        if not em_tag:
            continue
        # 获取观看次数
        watch_num = em_tag.text
        em1_tag = li.find('em',attrs={'data-class': 'icon12 icon12-infor'})
        if not em1_tag:
            continue
        # 获取评论次数
        comment_num = em1_tag.text
        wb1.append([link,title,src,publish_time,desc,watch_num,comment_num])
        time.sleep(1)
wb1.save(r'汽车之家.xlsx')