Python高级应用程序设计任务

Posted 2021-03-22 LZLOO

Python高级应用程序设计任务要求

用Python实现一个面向主题的网络爬虫程序，并完成以下内容：
（注：每人一题，主题内容自选，所有设计内容与源代码需提交到博客园平台）

一、主题式网络爬虫设计方案（15分）

1.主题式网络爬虫名称

       爬取QQ音乐歌手歌曲信息。

2.主题式网络爬虫爬取的内容与数据特征分析

       爬取QQ音乐歌手具体歌曲名称。

3.主题式网络爬虫设计方案概述（包括实现思路与技术难点）

        requests库对目标页面进行爬取，从QQ音乐页面提取url，目标数据是json数据类型，使用xlwt将数据存入.xls文件，pandas读取文件数据。用BeautifulSoup对数据进行采集，最后打印结果。

 

二、主题页面的结构特征分析（15分）

1.主题页面的结构特征

https://c.y.qq.com/soso/fcgi-bin/client_search_cp?&remoteplace=txt.yqq.album&t=8&p={num}&n=5&w={singer}&format=json

在{}内填入页码和歌手名获取专辑列表

https://y.qq.com/n/yqq/album/{}.html

在{}内填入专辑mid，获取歌曲列表
2.Htmls页面解析

 

3.节点（标签）查找方法与遍历方法
（必要时画出节点树结构）
 

        for span in soup.find_all("span", attrs="songlist__songname_txt"):

        for song in albumlist:
            albumMid = song[\'albumMID\']
            all_albummid.append(albumMid)
    return all_albummid

三、网络爬虫程序设计（60分）
爬虫程序主体要包括以下各部分，要附源代码及较详细注释，并在每部分程序后面提供输出结果的截图。

所有源代码如下所示：

import requests
from bs4 import BeautifulSoup
import json
import xlwt
import pandas as pd


#爬取页面函数
def catchhtml(url):
    kv = {\'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36\'}
    #异常判断
    try:
        data = requests.get(url, headers=kv, timeout=10)
        #查看状态码，判断爬取状态
        data.raise_for_status()
        data.encoding = data.apparent_encoding
        #返回页面
        return data.text
    except:
        return "爬取失败"


#获取专辑
def getalbum(times, singer):
    all_albummid = []
    for num in range(1, times):
        #获取信息的目标url
        url = f\'https://c.y.qq.com/soso/fcgi-bin/client_search_cp?&remoteplace=txt.yqq.album&t=8&p={num}&n=5&w={singer}&format=json\'
        html = catchhtml(url)
        # 解析json数据
        js = json.loads(html)
        # 定位albumMID
        albumlist = js[\'data\'][\'album\'][\'list\']
        for song in albumlist:
            albumMid = song[\'albumMID\']
            all_albummid.append(albumMid)
    return all_albummid


#获取专辑内的歌曲名
def getsong(albumlist):
    songs = []
    for i in albumlist:
        html = catchhtml(f\'https://y.qq.com/n/yqq/album/{i}.html\')
        #bs4格式化html页面
        soup = BeautifulSoup(html, "html.parser")
        #遍历span标签内a标签的字符串
        for span in soup.find_all("span", attrs="songlist__songname_txt"):
            #将字符串放进列表
            songs.append(str(span.a.string).strip())
    return songs


#将数据存入文件
def write_file(data, saveurl):
    # 创建Workbook，相当于创建Excel
    book = xlwt.Workbook(encoding=\'utf-8\')
    # 创建sheet，Sheet1为表的名字，cell_overwrite_ok为是否覆盖单元格
    sheet1 = book.add_sheet(u\'Sheet1\', cell_overwrite_ok=True)

    #将首行的首列设为\'歌曲名\'
    sheet1.write(0, 0, \'歌曲名\')
    r = 1
    #r为row(行)
    for temp in data:
        sheet1.write(r, 0, temp)
        r += 1
    #保存文件到给定的save_url
    book.save(saveurl)
    print(f\'写入文件成功,地址为{saveurl}\')


#读取文件
def read_file(singer):
    try:
        data = pd.read_excel(f\'D:/{singer}\\\'s_songs.xls\', names=[\'song_name\'])
        print(\'读取文件成功\')
        #返回文件内的数据
        return data
    except:
        "文件不存在或文件名错误"


#主函数
def main():
    #临界值20个专辑
    times = 20
    #输入歌手名称
    singer = \'陈奕迅\'
    #专辑mid列表
    albumlist = getalbum(times, singer)
    #歌曲列表
    songlist = getsong(albumlist)
    #存储excel文件的位置
    saveurl = f\'D:\\\\{singer}\\\'s_songs.xls\'
    #写入文件
    write_file(songs, saveurl)
    #读取文件
    read_file(singer)


if __name__ == \'__main__\':
    main()

运行结果（截图）如下：

 

 

 

 该Excel文件里面有陈奕迅的所有专辑名称和歌曲名称，列为一个名单，共700多行。部分截图如下：

 

 

 

 

 

 

1.数据爬取与采集

相关代码如下（对QQ音乐url中的相关数据进行采集）：

#爬取页面函数
def catchhtml(url):
    kv = {\'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36\'}
    #异常判断
    try:
        data = requests.get(url, headers=kv, timeout=10)
        #查看状态码，判断爬取状态
        data.raise_for_status()
        data.encoding = data.apparent_encoding
        #返回页面
        return data.text
    except:
        return "爬取失败"

 

2.对数据进行清洗和处理

相关代码如下（获取想要的信息，即陈奕迅专辑名和详细的歌曲名）：

#获取专辑
def getalbum(times, singer):
    all_albummid = []
    for num in range(1, times):
        #获取信息的目标url
        url = f\'https://c.y.qq.com/soso/fcgi-bin/client_search_cp?&remoteplace=txt.yqq.album&t=8&p={num}&n=5&w={singer}&format=json\'
        html = catchhtml(url)
        # 解析json数据
        js = json.loads(html)
        # 定位到albumMID
        albumlist = js[\'data\'][\'album\'][\'list\']
        for song in albumlist:
            albumMid = song[\'albumMID\']
            all_albummid.append(albumMid)
    return all_albummid


#获取专辑内的歌曲名
def getsong(albumlist):
    songs = []
    for i in albumlist:
        html = catchhtml(f\'https://y.qq.com/n/yqq/album/{i}.html\')
        #bs4格式化html页面
        soup = BeautifulSoup(html, "html.parser")
        #遍历span标签内a标签的字符串
        for span in soup.find_all("span", attrs="songlist__songname_txt"):
            #将字符串放进列表
            songs.append(str(span.a.string).strip())
    return songs

 

3.文本分析（可选）：jieba分词、wordcloud可视化

     无。

 

4.数据分析与可视化
（例如：数据柱形图、直方图、散点图、盒图、分布图、数据回归分析等）

     由于是在爬取歌手陈奕迅的专辑名称和歌曲名称，都是具体的数据，只能用文字来表示数据，因此不需要使用可视化！

#读取文件
def read_file(singer):
    try:
        data = pd.read_excel(f\'D:/{singer}\\\'s_songs.xls\', names=[\'song_name\'])
        print(\'读取文件成功\')
        #返回文件内的数据
        return data
    except:
        "文件不存在或文件名错误"

 5.数据持久化

     数据持久化即为数据存储，相关代码如下：

#将数据存入文件
def write_file(data, saveurl):
    # 创建Workbook，相当于创建Excel
    book = xlwt.Workbook(encoding=\'utf-8\')
    # 创建sheet，Sheet1为表的名字，cell_overwrite_ok为是否覆盖单元格
    sheet1 = book.add_sheet(u\'Sheet1\', cell_overwrite_ok=True)

    #将首行的首列设为song_name
    sheet1.write(0, 0, \'歌曲名\')
    r = 1
    #r为row(行)
    for temp in data:
        sheet1.write(r, 0, temp)
        r += 1
    #保存文件到给定的save_url
    book.save(saveurl)
    print(f\'写入文件成功,地址为{saveurl}\')

 

四、结论（10分）
1.经过对主题数据的分析与可视化，可以得到哪些结论？

         通过对主体数据的提取分析，可以清楚地知道歌手陈奕迅自出道以来大部分的曲目专辑，一目了然。
2.对本次程序设计任务完成的情况做一个简单的小结。

         通过对数据的爬取，基本掌握了来龙去脉。但是在进行具体的数据清洗时有些不够熟练，希望可以更深入地掌握。