百度热搜数据爬取及分析
Posted l1234
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了百度热搜数据爬取及分析相关的知识，希望对你有一定的参考价值。
一、网络爬虫设计方案
1、爬虫名称：百度汽车热搜
2、内容：爬取百度不同汽车的热搜指数
3、概述：首先查找源代码，分析请求方式和url地址，再使用requests模块获取网页源代码，再使用BeautifulSoup解析得到所需要的数据，然后使用matplotlib实现数据可视化分析，最后进行小结。
难点：回归直线
二、主题页面的结构特征分析
1.主题页面的结构与特征分析
获取电动汽车、小型汽车、中级车、豪华车、SUV这五类汽车每一类的前五名的热搜车型和其对应的指数。
2.htmls页面解析
三、网络爬虫程序设计
1.数据爬取与采集
对数据进行清洗和处理
.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）
.根据数据之间的关系，分析两个变量之间的相关系数，画出散点图，并建立变量之间的回归方程（一元或多元）
数据持久化
四、结论：人们对大多喜欢中级车，且SUV类型较多。
小结：经过爬虫学习后，加强了自己requests、matplot的掌握，和对sklearn的了解。
源代码：
‘‘‘ 获取百度汽车热搜数据 ‘‘‘ import requests from bs4 import BeautifulSoup import pandas as pd import matplotlib import matplotlib.pyplot as plt import re import numpy as np from sklearn.linear_model import LinearRegression # 设置matplotlib正常显示中文和负号 matplotlib.rcParams[‘font.sans-serif‘] = [‘SimHei‘] matplotlib.rcParams[‘axes.unicode_minus‘] = False # 定义一个字典方便构造url地址 car_type_dic = {‘电动汽车‘:1676,‘小型车‘:1544,‘中级车‘:1545,‘豪华车‘:1548,‘SUV汽车‘:1542} # 获取数据 def get_data(): # 定义一个空的dataFrame df = pd.DataFrame(columns=[‘类型‘, ‘排名‘, ‘名称‘, ‘热搜指数‘]) # 设置请求头 headers = { ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)Chrome/69.0.3497.100 Safari/537.36‘} # 伪装爬虫 # 遍历字典，循环发送请求 for key, value in car_type_dic.items(): #构建url地址 url = "http://top.baidu.com/buzz?b="+str(value)+"&c=18" #发送请求 r = requests.get(url, headers=headers) #获取网页源代码 html = r.text #对代码进行编码解码，才能正常显示中文 html = html.encode(‘iso-8859-1‘).decode(‘gbk‘) #调用bs4解析代码 soup = BeautifulSoup(html, "html.parser") all_data = soup.find_all(‘tr‘) # print(all_data) for each_topic in all_data: # 排名 car_rank = each_topic.find(‘td‘,class_=‘first‘) # 标题目 car_name = each_topic.find(‘td‘, class_=‘keyword‘) # 索指数 car_index = each_topic.find(‘td‘, class_=‘last‘) # print(car_name,car_rank,car_index) #判断不能为空数据 if car_rank != None and car_name != None and car_index != None: # 利用正则表达式提取数据 # 排名 car_rank = int(re.findall(‘d+‘, car_rank.get_text())[0]) #汽车名 car_name = car_name.get_text().replace(‘search‘, ‘‘).replace(‘ ‘, ‘‘) # 热搜 car_index = int(re.findall(‘d+‘, car_index.get_text())[0]) #数据存储 df = df.append([{‘排名‘:car_rank,‘名称‘:car_name,‘热搜指数‘:car_index,‘类型‘:key}]) # 数据持久化存储 df.to_excel(‘data.xlsx‘,index=False) return df #画出每个类型前十名热搜平均值的柱状图 def mean_plt(df): #平均值列表 mean_list = [] type_list = df[‘类型‘].unique() for i in type_list: # 取出每个类型前十名的热搜指数 top_ten_data = df.loc[(df[‘排名‘] < 10) & (df[‘类型‘] == i)][‘热搜指数‘] #求平均值 mean_data = top_ten_data.mean() mean_list.append(mean_data) # 生成画布 plt.figure(figsize=(10, 4), dpi=80) # 横坐标汽车类型 type_name = type_list x = range(len(type_name)) plt.bar(x, mean_list, width=0.5, color=[‘b‘, ‘r‘, ‘g‘, ‘y‘, ‘c‘]) # 设置行对应的汽车类型 plt.xticks(x, type_name) # x轴标注 plt.xlabel(‘汽车类型‘) # y轴标注 plt.ylabel(‘汽车类型平均热搜指数‘) # 图例 plt.legend() # 保存图片 plt.savefig(‘mean.png‘) #显示 plt.show() # 画出电动汽车的折线图 def data_plt(df): #构造行 x = [i for i in range(9)] # 列数据 y = df.loc[(df[‘排名‘] < 10) & (df[‘类型‘] == ‘电动汽车‘)][‘热搜指数‘] # print(x) # print(y) plt.plot(x, y, lw=1, c=‘red‘, marker=‘s‘, ms=4, label=‘电动汽车折线图‘) # x轴的刻度 plt.xticks(x) # x轴标注 plt.xlabel(‘电动汽车排名‘) # y轴标注 plt.ylabel(‘电动汽车热搜指数‘) # 图例 plt.legend() # 保存图片 plt.savefig(‘data.png‘) #显示 plt.show() # 回归方程 def reg_plt(df): # x 为排名 x = np.asarray(df.loc[df[‘类型‘] == ‘SUV汽车‘][‘排名‘].values).reshape(-1, 1) # y为 热搜数据 y = np.asarray(df.loc[df[‘类型‘] == ‘SUV汽车‘][‘热搜指数‘].values).reshape(-1, 1) # 调用函数进行训练 reg = LinearRegression() reg = reg.fit(x, y) # 打印方程 print("一元回归方程为: Y = %.5fX + (%.5f)" % (reg.coef_[0][0], reg.intercept_[0])) plt.scatter(x, y, color=‘black‘) # 画图 plt.plot(x, reg.predict(x), color=‘red‘, linewidth=1) # x轴标注 plt.xlabel(‘SUV汽车排名‘) # y轴标注 plt.ylabel(‘SUV汽车热搜指数‘) # 图例 plt.legend() plt.show() # 函数入口 def main(): # 获取数据 df = get_data() # 折线图 data_plt(df) # 柱状图 mean_plt(df) # 散点图 和 一元线性回归方程 reg_plt(df) main()
以上是关于百度热搜数据爬取及分析的主要内容，如果未能解决你的问题，请参考以下文章