Python爬虫实战之豆瓣音乐、微打赏、阳光电影(附代码) | 数盟

一、豆瓣音乐

今天爬的是豆瓣音乐top250,比较简单,主要是练练手。

1、加了请求头,本来没加,调试几次突然没数据了,加了请求头开始也没好,后来又好了,可能是网络原因;

2、这次是进入信息页爬的数据,上次爬电影没采用这种方法,缺少了部分数据;

3、数据的预处理用了很多if函数

数据分析

1、部分数据可以见上图

2、中国音乐作者还是很多的。

3、随着音乐设备和网络的普及,流行音乐的发展,可以看出2000年后作品越来越多,到2010年又积极下滑(经典就是经典,无法吐槽现在的音乐)

4、风格大家可以看出流行,摇滚,民谣占了一大半。

5、最后弄了一首周董的《不能说的秘密》做词云,想想小时候都是回忆啊。

代码片段

  1. import requests
  2. import re
  3. from bs4 import BeautifulSoup
  4. import time
  5. import pymongo
  6. client = pymongo.MongoClient(‘localhost’, 27017)
  7. douban = client[‘douban’]
  8. musictop = douban[‘musictop’]
  9. headers = {
  10. ‘User-Agent’:‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36’
  11. }
  12. urls = [‘https://music.douban.com/top250?start={}’.format(str(i)) for  i  in  range ( 0 , 250 , 25 )]
  13. def  get_url_music ( url ):
  14.     wb_data  =  requests . get ( url , headers = headers )
  15.     soup  =   BeautifulSoup ( wb_data . text , ‘lxml’ )
  16.     music_hrefs  =  soup . select ( ‘a.nbg’ )
  17. for  music_href  in  music_hrefs :
  18.         get_music_info ( music_href [ ‘href’ ])
  19.         time . sleep ( 2 )

二、微打赏

网站分析

打开网站,翻页网页不变,看看是post的请求,很好办,直接把参数怼进去,这里只要切换page就能进行翻页。

json格式,这里post返回的是json数据,解析json数据就行,小技巧:看preview,解析起来嗖嗖哒。这里需要提取活动的名称,id和参与打赏的人数。这个后面详细页用的到。

详细页,依旧是post,依旧是json数据,这里的参数pro_id为之前的爬取的id,这一页20个信息,通过前面的参与打赏人数构造出有多少页,继续怼参数。

代码片段

  1. import  requests
  2. import  json
  3. import  math
  4. def  get_sup_info (  url , page ):
  5. params = {
  6. ‘ajaxtype’ : 1 ,
  7. ‘page’ : page ,
  8. ‘category’ : 1 ,
  9. ‘pageSize’ : 8
  10. }
  11.   cookies = {
  12. ‘User-Agent’ : ‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36’ ,
  13. ‘Cookie’: ‘acw_tc=AQAAAKLQ3U/WTAYAggq7PZ24WOlm9vQW; PHPSESSID=r0nbvk7hppjftegk4fpt9cu535; _uab_collina=150094753858198811653567; mdswv=v1.0; mdsa=MD-STICS-5976a44746eca; mdss=6-o; mdsf=md; mdsff=www_so_com;
  14.     }
  15.     html = requests.post(url, data=params, headers=cookies)
  16.     json_data = json.loads(html.text)
  17.     des = json_data[‘ des ‘]
  18.     for data in des:
  19.         name = data[‘  name ‘]
  20.         id = data[‘ id ‘]
  21.         pay_count = data[‘ pay_count ‘]
  22.         all_page = math.ceil(int(pay_count)/20)
  23.         for i in range(1,int(all_page)+1):
  24.             get_app_info(i,id,name)

三、阳光电影

爬虫分析

这里涉及跨页的爬取,需要理清爬虫的思路。首先打开网站,需爬取前11个分类的电影数据,经典影片格式不一样,爬虫时过滤掉了。

进入电影列表页后,正则爬取页数和电影的分类标签,以此构造分页url,然后爬取电影的名字和url。

最后在详细页爬取电影的下载地址,爬取结果如下:

代码片段

  1. import requests
  2. import re
  3. from lxml import etree
  4. import csv
  5. def get_resource(url,cate_name,cate_url,movie_name):
  6.     res = requests.get(url)
  7.     res.encoding = ‘gb2312’
  8.     html = etree.HTML(res.text)
  9.     movie_resource = html.xpath(‘//tbody//tr/td/a/text()’)[0]
  10.     writer.writerow((cate_name,cate_url,movie_name,url,movie_resource))
  11.     print(movie_resource)
注:转载文章均来自于公开网络,仅供学习使用,不会用于任何商业用途,如果侵犯到原作者的权益,请您与我们联系删除或者授权事宜,联系邮箱:contact@dataunion.org。转载数盟网站文章请注明原文章作者,否则产生的任何版权纠纷与数盟无关。
期待你一针见血的评论,Come on!

不用想啦,马上 "登录"  发表自已的想法.