数据采集第二次实验

Posted 2021-11-21 小生凡一

目录

• 实验 1
• • 1.1 题目
  • 1.2 思路
  • • 1.2.1 发送请求
    • 1.2.2 解析网页
    • 1.2.3 获取结点
    • 1.2.4 数据保存
• 实验 2
• • 2.1 题目
  • 2.2 思路
  • • 2.2.1 发送请求
    • 2.2.2 解析网页
    • 2.2.3 获取结点
    • 2.2.4 数据保存
• 实验 3
• • 3.1 题目
  • 3.2 思路
  • • 3.2.1 发送请求
    • 3.2.2 解析网页
    • 3.2.3 获取结点
    • 3.2.4 保存数据
• MP4 To GIF：
• 最后

实验 1

1.1 题目

要求：在中国气象网（http://www.weather.com.cn）给定城市集的7日天气预报，并保存在数据库。

1.2 思路

1.2.1 发送请求

• 导入包

import urllib.request

• 构造请求头并发送请求

    headers={"User-Agent":"Mozilla/5.0 (Windows; U; Windows NT 6.0 x64; en-US; rv:1.9pre) Gecko/2008072421 Minefield/3.0.2pre"}
    req=urllib.request.Request(url,headers=headers)
    data=urllib.request.urlopen(req)

1.2.2 解析网页

• 导入库(使用BeautifulSoup进行页面解析)

from bs4 import BeautifulSoup
from bs4 import UnicodeDammit

注意： 这里还有一个编码的转换，防止windows的gbk编码，而导致的中文乱码！

• 解析response内容

    dammit=UnicodeDammit(data,["utf-8","gbk"]) # 编码
    data=dammit.unicode_markup 
    soup=BeautifulSoup(data,"lxml") # 解析网页

1.2.3 获取结点

• 采用css选择进行节点的获取

举个例子，其他类比

    lis=soup.select("ul[class='t clearfix'] li")

获取到这里的所有li就是

ul的属性class = t clearfix的所有的li

1.2.4 数据保存

• 保存到数据库中(保存到mysql数据库中)

• 导入库pymysql

import pymysql

• 数据库初始化连接

HOSTNAME = '127.0.0.1'
PORT = '3306'
DATABASE = 'spider_ex' # 数据库名
USERNAME = 'root'
PASSWORD = 'root'

# 打开数据库连接
conn = pymysql.connect(host=HOSTNAME, user=USERNAME,password=PASSWORD,database=DATABASE,charset='utf8')
# 使用 cursor() 方法创建一个游标对象 cursor
cursor = conn.cursor()

• 插入数据

def InsertData(count,date,weather,temp):
    a = temp.split(" ")
    global conn
    global cursor
    sql = "INSERT INTO ex2_1(序号, 地区, 日期,天气信息,温度) VALUES (%s, %s, %s, %s, %s)"
    number = count
    area = "深圳"
    try:
        conn.commit()
        cursor.execute(sql,[number,area,date,weather,temp])
        print("插入成功")
    except Exception as err:
        print("插入失败",err)

• 使用原生sql语句进行插入保存，并没有使用orm。

实验 2

2.1 题目

要求：用requests和自选提取信息方法定向爬取股票相关信息，并存储在数据库中。

2.2 思路

• 观察页面的js包请求

可以先把多余的请求删去

然后点击新的页面，就会出现这个关键的请求信息。

查看页数和页码(比较第一第二页的参数的区别)

• 第一页

• 第二页

可以看到这里的参数pn会随着页数的增加而增加
所以可以知晓这个pn就是页面的页码。

2.2.1 发送请求

• 编写请求头，以及参数。

import requests,json

headers = {
    'Connection': 'keep-alive',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/94.0.4606.71 Safari/537.36 Edg/94.0.992.38',
    'Accept': '*/*',
    'Referer': 'http://quote.eastmoney.com/',
    'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8,en-GB;q=0.7,en-US;q=0.6',
}

params = (
    ('cb', 'jQuery1124049118572600550814_1634085098344'),
    ('pn', '2'),  # 第几页
    ('pz', '20'),  # 一页多少个
    ('po', '1'),
    ('np', '1'),
    ('ut', 'bd1d9ddb04089700cf9c27f6f7426281'),
    ('fltt', '2'),
    ('invt', '2'),
    ('fid', 'f3'),
    ('fs', 'm:0 t:6,m:0 t:80,m:1 t:2,m:1 t:23'),
    ('fields', 'f1,f2,f3,f4,f5,f6,f7,f8,f9,f10,f12,f13,f14,f15,f16,f17,f18,f20,f21,f23,f24,f25,f22,f11,f62,f128,f136,f115,f152'),
    ('_', '1634085098352'),
)

resp = requests.get('http://28.push2.eastmoney.com/api/qt/clist/get', headers=headers, params=params,  verify=False)
# 发送请求

2.2.2 解析网页

• 由于返回的数据不是标准的json格式，所以要进行去头去尾的操作。

建议把返回的格式复制到一些在线json的网站进行验证，这样才能保证json格式的正确。

res = resp.content[len("jQuery1124049118572600550814_1634085098344("):len(resp.content)-2]
res = str(res,'utf-8')
resp_json = json.loads(res)

2.2.3 获取结点

• json格式的处理方式非常简单，找到key之后，直接遍历即可。不需要复杂的操作。

for k in resp_json['data']['diff']:
    data["number"]=count,
    data["f12"]=k['f12'],
    data["f14"]=k['f14'],
    data["f2"]=k['f2'],
    data["f3"]=k['f3'],
    data["f4"]=k['f4'],
    data["f5"]=k['f5'],
    data["f6"]=k['f6'],
    data["f7"]=k['f7'],
    data["f15"]=k['f15'],
    data["f16"]=k['f16'],
    data["f17"]=k['f17'],
    data["f18"]=k['f18'],

注意： 一定要仔细看到每个参数对应的值，不然容易出错，或遗漏

2.2.4 数据保存

**注意：**这里要进行一个数据的处理！

因为这个我们抓取到的数据是和显示的是不一样的，要进行一个处理。比如百分号和单位。

处理方法：

• 百分号可以转成字符串直接相加
• 如果是数字的话就直接像这样判断就好了

def formatDate(a):
    if a > 100000000:
        a = round(a/100000000,2)
        a = str(a) + '亿'
    elif a > 10000:
        a = round(a/10000, 2)
        a = str(a) + '万'
    return a

同 1.2.4

• 贴结果
  

实验 3

3.1 题目

爬取中国大学2021主榜(https://www.shanghairanking.cn/rankings/bcur/2021)所
有院校信息，并存储在数据库中，同时将浏览器F12调试分析的过程录制Gif加入至博客中。

3.2 思路

3.2.1 发送请求

• 引入库并且编写请求头

请求头是为了把爬虫包装成浏览器的正常访问。

import request
import re

header = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.141 Safari/537.36',
}

• 发送请求

resp = requests.get('https://www.shanghairanking.cn/_nuxt/static/1632381606/rankings/bcur/2021/payload.js', headers=headers)

3.2.2 解析网页

• 分析可以知道我们的节点信息在这个里面

• 虽然这是可以转化成json格式，但是会麻烦很多，所以我们用正则进行匹配

res = resp.content
res = str(res,'utf-8')

3.2.3 获取结点

• 分析网页

学校信息

names = re.findall("univNameCn:(.*?),univNameEn:",res)

分数信息

scores = re.findall("score:(.*?),ranking",res)

排名信息

ranking = re.findall("ranking:(.*?),rankChange",res)

然后我们验证这三个数据是否一致

是一致的！

坑点来了！！！

但是我们发现这里是有缺失值的！所以我们要观察网页的结构，我发现了这里就是头尾的键值对的对应，我也是第一次见这种页面结构！！！

然后我们抓取这里的信息！然后构造键值对！！

head = re.findall('"/rankings/bcur/2021", (.*?)\\)',res)
end = re.findall('mutations(.*)',res)

然后要进行数据的处理！就是要转化成元组或列表形式，方便我们构建键值对，所以我们可以通过以下方法进行转化！

keySet = head[0][len("(function"):]+")"
ValueSet = end[0][len(":void 0}}"):len(end[0])-len("));")]

keytemp=keySet.replace('(','').replace(')','')
keySet=tuple([i for i in keytemp.split(',')])

Valuetemp=ValueSet.replace('(','').replace(')','')
ValueSet=tuple([i for i in Valuetemp.split(',')])

但是发现没对上！我们打印发现是多了一个空值！就是这个箭头的空值！！

这样就可以了，就能让keySet和ValueSet一样的长度了！

ValueSet = ValueSet[1:]

然后我们构造键值对

1. 初始化

data = {}
for key in keySet:
    data[key]=""

2. 赋值

for key,value in zip(keySet,ValueSet):
    data[key]=value

但是还有一个坑点！！

这里突然没对上，应该是211的，观察发现，原来是这里多了一位！写这个网站的程序员。。。

只能是手补上去了。

3.2.4 保存数据

同上 1.2.4

MP4 To GIF：

import moviepy.editor as mpy

# 视频文件的本地路径
content = mpy.VideoFileClip(r".\\ex3.mp4")
# 剪辑0分0秒到0分44秒的片段。resize为修改清晰度
c1 = content.subclip((0, 0), (0, 44)).resize((280, 200))
# 将片段保存为gif图到python的默认路径
c1.write_gif(r".\\ex2_3_1.gif")

最后

小生凡一，期待你的关注！