爬虫大作业

Posted 有志气的骚年

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。

一、选一个自己感兴趣的主题(所有人不能雷同)。

因为以前很喜欢看小说,看到一些小说情节时会想象这样写好不好,怎样写能更好。因为好的剧情和文章质量能够吸引更多的读者,并且从商业角度出发有质量的文章能留住‘老书虫‘,而大部分的小说打赏其实是来自老读者的。 

这次的爬虫网站是起点中文网,此网站可以说是中国最热门的小说网站了

 

网站盈利很大一部分来自读者的消费,读者消费可以从月票体现,因为地点必须是充值才会有月票。所以获得月票多的作家,收入就多。

这里收集了起点网前400人气作品的月票当月月票总数,并进行词云分析。可以分析出当月月票数最多的几部作品。看出最近什么作品比较赚钱。

 

二、实现步骤:

先获取一部小说的具体消息

#获取一部小说相关信息
def getDetailNovel(novelUrl):
    res = requests.get(novelUrl)
    res.encoding = \'utf-8\'
    soup = BeautifulSoup(res.text, \'html.parser\')
    news={}
    news[\'novel\']=soup.select(\'h1\')[0].select(\'em\')[0].text
    news[\'author\'] = soup.select(\'h1\')[0].select(\'span\')[0].select(\'a\')[0].text
    news[\'ticket\']= soup.select(\'.num\')[0].select(\'i\')[0].text
    news[\'context\'] =soup.select(\'.book-info\')[0].select(\'p\')[1].text
    zidian[news[\'author\']]=int(news[\'ticket\'])
    return news

再获取一页小说的信息(起点网是一页陈列20部小说信息)

def getOnePageDetailNovle(url):
    resd = requests.get(url)
    resd.encoding = \'utf-8\'
    soupd = BeautifulSoup(resd.text, \'html.parser\')
    onePageNews=[]

    for i in range (0,20):
        oneUrl=\'http://\'+soupd.select(\'ul\')[10].select(\'li\')[i].select(\'h4\')[0].select(\'a\')[0].attrs[\'href\'].strip(\'/\')
        novleNews = getDetailNovel(oneUrl)
        print(novleNews)
        onePageNews.append(novleNews)
    return onePageNews

 

最后选择获取多少页的小说信息

#获取设定页p全部小说相关信息
def getAllPageDetailNovle(p):
    allPageNews = []
    for i in range(1, p+1):
        listPageUrl = \'https://www.qidian.com/all?orderId=&style=1&pageSize=20&siteid=1&pubflag=0&hiddenField=0&page={}\'.format(
            i)
        print(listPageUrl)
        allPageNews.extend(getOnePageDetailNovle(listPageUrl))
    return allPageNews

结果存进excel表格

df=pandas.DataFrame(allPageNews)
df.to_excel(\'cwh.xlsx\',encoding=\'utf-8\')

 

 

 

用词云展示

import wordcloud
from PIL import Image,ImageSequence
import numpy as np
import matplotlib.pyplot as plt
from wordcloud import WordCloud,ImageColorGenerator
image= Image.open(\'./3.jpg\')
graph = np.array(image)
font=r\'C:\\Windows\\Fonts\\simhei.TTF\'
wc = WordCloud(font_path=font,background_color=\'White\',max_words=50,mask=graph)
wc.generate_from_frequencies(zidian)
image_color = ImageColorGenerator(graph)
plt.imshow(wc)
plt.axis("off")
plt.show()

选取的图片

结果

可以看出本月《重生似水青春》获得月票远超其他小说。

三、遇到的问题

1.首先,因为电脑烧了,所以我用的是舍友的笔记本写的,已经是安装好了词云,所以没有体验到安装过程遇到的问题。

2.爬取中遇到的问题:起初目标是爬取前一千的数据,但是爬着爬着的时候就报错了

后面通过上网查询原因,有答案称是起点设置了限制,最多单次只可访问限定部小说数据,多了就会被远程中断。所以最后选择400部

3.本来想再爬取个点击量的数据,F12调出开发者模式看了下发现

 

数据被加密了,直接调用是会展示空值的,所以这个方法不行再看network里的记录,发现里面有,但是并不能直接调用

需要获取3个数据:分别是书的id(bookId)、作者id(authorId)和书的种类id(chanId)。

一番摸索后发现书和作者的id可以在小说信息页面获取,但是种类不行。所以最后放弃获取点击量。

 四、所有代码

import requests
import re
from bs4 import BeautifulSoup
from datetime import datetime
import openpyxl
import pandas


#获取一部小说相关信息
def getDetailNovel(novelUrl):
    res = requests.get(novelUrl)
    res.encoding = \'utf-8\'
    soup = BeautifulSoup(res.text, \'html.parser\')
    news={}
    news[\'novel\']=soup.select(\'h1\')[0].select(\'em\')[0].text
    news[\'author\'] = soup.select(\'h1\')[0].select(\'span\')[0].select(\'a\')[0].text
    news[\'ticket\']= soup.select(\'.num\')[0].select(\'i\')[0].text
    news[\'context\'] =soup.select(\'.book-info\')[0].select(\'p\')[1].text
    zidian[news[\'novel\']]=int(news[\'ticket\'])
    return news
# 获取设定页p全部小说相关信息
def getOnePageDetailNovle(url):
    resd = requests.get(url)
    resd.encoding = \'utf-8\'
    soupd = BeautifulSoup(resd.text, \'html.parser\')
    onePageNews=[]

    for i in range (0,20):
        oneUrl=\'http://\'+soupd.select(\'ul\')[10].select(\'li\')[i].select(\'h4\')[0].select(\'a\')[0].attrs[\'href\'].strip(\'/\')
        novleNews = getDetailNovel(oneUrl)
        print(novleNews)
        onePageNews.append(novleNews)
    return onePageNews

#获取设定页p全部小说相关信息
def getAllPageDetailNovle(p):
    allPageNews = []
    for i in range(1, p+1):
        listPageUrl = \'https://www.qidian.com/all?orderId=&style=1&pageSize=20&siteid=1&pubflag=0&hiddenField=0&page={}\'.format(
            i)
        print(listPageUrl)
        allPageNews.extend(getOnePageDetailNovle(listPageUrl))
    return allPageNews

zidian={}
allPageNews=[]
allPageNews=getAllPageDetailNovle(20)
df=pandas.DataFrame(allPageNews)

df.to_excel(\'cwh.xlsx\',encoding=\'utf-8\')
import wordcloud
from PIL import Image,ImageSequence
import numpy as np
import matplotlib.pyplot as plt
from wordcloud import WordCloud,ImageColorGenerator
image= Image.open(\'./3.jpg\')
graph = np.array(image)
font=r\'C:\\Windows\\Fonts\\simhei.TTF\'
wc = WordCloud(font_path=font,background_color=\'White\',max_words=50,mask=graph)
wc.generate_from_frequencies(zidian)
image_color = ImageColorGenerator(graph)
plt.imshow(wc)
plt.axis("off")
plt.show()

 

五、总结

本次遇到了很多的问题,并不像上课时老师喂饼的方式般易懂、很多模糊的地方需要自己摸索,在网上查资料,而且查了也不一定懂,最后可能会选择更换方法实现。

通过本次实验更好的掌握和加深了老师上课讲过的知识,例如列表、字典等的使用,同时扩充了其他知识。

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

爬虫大作业

爬虫大作业

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)

Python大作业——爬虫+可视化+数据分析+数据库(数据分析篇)

Python课程设计大作业:利用爬虫获取NBA比赛数据并进行机器学习预测NBA比赛结果