爬虫大作业
Posted 123-王展洪
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫大作业相关的知识,希望对你有一定的参考价值。
1.爬取豆瓣电影top250。(所有同学不能雷同)
2.用python 编写爬虫程序,从网络上爬取相关主题的数据。
import requests from bs4 import BeautifulSoup from datetime import datetime import re import pandas # 电影简介保存到txt。 def writeNewsDetail(content): f = open(\'wzh.txt\', \'a\',encoding=\'utf-8\')#文件名、打开方式 f.write(content)#写入 f.close()#关闭文件 #电影的简介 def getMovieDetail(url): resd = requests.get(url) resd.encoding = \'utf-8\' soupd = BeautifulSoup(resd.text, \'html.parser\') movies={} if (int(len(soupd.select(\'#link-report\'))) > 0): movies[\'content\'] = soupd.select(\'#link-report\')[0].text else: movies[\'content\'] =\'none\' if (int(len(soupd.select(\'.attrs\'))) > 0): movies[\'director\'] = soupd.select(\'.attrs\')[0].text else: movies[\'director\']=\'none\' if (int(len(soupd.select(\'.actor a\'))) > 0): movies[\'actor\'] = soupd.select(\'.actor a\')[0].text else: movies[\'actor\'] = \'none\' if(int(len(soupd.select(\'h1\')))>0): movies[\'name\']=soupd.select(\'h1\')[0].text else: movies[\'name\'] = \'none\' if(int(len(soupd.select(\'strong\'))) > 0): movies[\'score\'] = soupd.select(\'strong\')[0].text else: movies[\'score\'] =\'none\' movies[\'url\'] = url return (movies) # 电影列表页的总页数 def getPageN(url): res = requests.get(url) res.encoding = \'utf-8\' soup = BeautifulSoup(res.text, \'html.parser\') #num = soup.select(\'.paginator a\')[-2].text print(\'列表页数:\',num) #一个列表页全部电影 def getListPage(url): res = requests.get(url) res.encoding = \'utf-8\' soup = BeautifulSoup(res.text, \'html.parser\') moviesList = [] urls = soup.select(\'.hd a\') # for i in range(10): # if(i==0) # urls=\'htthttps://movie.douban.com/top250?start=25&filter=\' for j in range(int(len(urls))): url = soup.select(\'.hd a\')[j].attrs[\'href\'] moviesList.append(getMovieDetail(url))#在列表末尾添加新的对象 return (moviesList) moviesTotal = [] Url = \'https://movie.douban.com/top250?start=0&filter=\' moviesTotal.extend(getListPage(Url)) # 在列表末尾一次性追加另一个序列中的多个值(用新列表扩展原来的列表) getPageN(Url) dt =pandas.DataFrame(moviesTotal) dt.to_excel("wzh.xlsx") print(dt)
3.对爬了的数据进行文本分析,生成词云。
import jieba.analyse from PIL import Image,ImageSequence import numpy as np import matplotlib.pyplot as plt from wordcloud import WordCloud,ImageColorGenerator lyric= \'\' f=open(\'wzh.txt\',\'r\',encoding=\'utf-8\') for i in f: lyric+=f.read() result=jieba.analyse.textrank(lyric,topK=50,withWeight=True) keywords = dict() for i in result: keywords[i[0]]=i[1] print(keywords) image= Image.open(\'tim.png\') graph = np.array(image) wc = WordCloud(font_path=\'./fonts/simhei.ttf\',background_color=\'Green\',max_words=50,mask=graph) wc.generate_from_frequencies(keywords) image_color = ImageColorGenerator(graph) plt.imshow(wc) plt.imshow(wc.recolor(color_func=image_color)) plt.axis("off") plt.show() wc.to_file(\'dream.png\')
4.对文本分析结果进行解释说明。
对于爬虫结果,我们可以看出评分高的电影有哪些类型,哪些导演的电影作品比较好看,哪些演员演得电影比较出名,哪些年代的电影比较受欢迎
5.写一篇完整的博客,描述上述实现过程、遇到的问题及解决办法、数据分析思想及结论。
问题:没有爬出完整的top250de 电影,使用for循环,10个列表页逐个提取
PyCharm中导入wordcloud是出错,没生成词云统计图
6.最后提交爬取的全部数据、爬虫及数据分析源代码。
以上是关于爬虫大作业的主要内容,如果未能解决你的问题,请参考以下文章
HTML5期末大作业:餐饮美食网站设计——咖啡(10页) HTML+CSS+JavaScript 学生DW网页设计作业成品 web课程设计网页规划与设计 咖啡网页设计 美食餐饮网页设计...(代码片段
Python大作业——爬虫+可视化+数据分析+数据库(可视化篇)