标签:seaborn ie 6 enc 语言 live like nump cep style
一.选题背景:
为什么选此题:如今,现代人买书大多都会选择线上购买,然而比较出名的购书网站当当网,在你要搜索想购买的书时,根据输入关键字搜索出来的书本种类繁多,眼花缭乱,对于有些原则困难症的人来说就很难受,不知如何让下手。
预期目标:希望通过我设计的爬取当当网的爬虫代码,捕获出来的书名,价格,出版社等信息,根据信息做可视化分析,作图,给用户提供参考。
二.主题式网络爬虫的设计方案
1.主题式网络爬虫名称
基于网络爬虫爬取当当网
2.主题式网络爬虫爬取的内容与数据特征分析
爬取当当网界面信息,根据关键字搜索想要查找的书名,分析价格,作者出版社,简介等内容。
3.主题式网络爬虫设计方案概述
本爬虫主要从一下几个方面进行设计:导入需要用到的库,创建表格,获取界面,分析需要搜索的书籍的名称title、作者author、价格price、出版社publisher、简介detail等信息
将数据保存至book.csv文件里,然后根据爬取到的数据做可视化分析
三、主题页面的结构特征分析
1.主题页面的结构与特征分析:
首页和他的布局结构
分析当当网的页面分析可以实现交互功能,如用户注册、信息发布、产品展示、订单管理等可以看出这是一个动态网站。
2.Htmls 页面解析:
爬取的页面
3.节点(标签)查找方法与遍历方法
四、网络爬虫程序设计
1.数据爬取和采集:
import urllib.request import requests from bs4 import BeautifulSoup import time import random # 随机头 USER_AGENTS = [ "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)", "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)", "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)", "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)", "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)", "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)", "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)", "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)", "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6", "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1", "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0", "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5", "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20", "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER", "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)", "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER", ] headers = { ‘User-Agent‘:random.choice(USER_AGENTS), ‘Connection‘:‘keep-alive‘, ‘Accept-Language‘:‘zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2‘ } # 创建book.csv f = open("book.csv", "a") f.write("书籍" + "," + "价格" + "," + "作者" + "," + "出版社" + ‘\n‘) f = f.close() def spider(keyword,page): for i in range(0,page): count = 0 page = 1 # 获取界面 url = ‘http://search.dangdang.com/?key=‘+str(keyword)+‘&page_index=‘+str(page) res = requests.get(url, headers=headers) res.encoding = ‘gbk‘ soup = BeautifulSoup(res.text,‘html.parser‘) # print(soup) div = soup.find("div", attrs={"class": "con shoplist"}) ul = div.find("ul", attrs={"class": "bigimg"}) lis = ul.find_all("li") print(‘正在爬取第{}页‘.format(page)) for li in lis: count += 1 # 分析每个<li>中书籍信息:名称title、作者author、价格price、出版社publisher、简介detail、图像image p = li.find("p", attrs={"class": "name"}) title = p.find("a").text price = li.find("span", attrs={"class": "search_now_price"}).text author = li.find("p", attrs={"class": "search_book_author"}).find("span").text pub = li.find("p", attrs={"class": "search_book_author"}).find_all("span") #publishers = pub[2].find("a").text publisher=pub[2].text detail = li.find("p", attrs={"class": "detail"}).text # 将数据保存至book.csv文件 with open("book.csv","a",encoding=‘utf-8‘) as f2: f2.writelines(title + "," + price + "," + author + "," + publisher + ‘\n‘) print(‘\n书籍:‘,title,‘\n价格:‘,price,‘\n作者:‘,author,‘\n出版社:‘,publisher,‘\n简介:‘,detail) page += 1 if __name__ == ‘__main__‘: keyword = input(‘关键字:‘) page = int(input(‘爬取页数:‘)) #keyword = ‘python‘ #page = 1 spider(keyword,page)
运行后的结果:
import pandas as pd import numpy as mp import sklearn import seaborn as sns import matplotlib.pyplot as plt df = pd.read_excel(‘book.xlsx‘,sheet_name=‘Sheet1‘) df
对数据进行清理:
# 清洗重复书名 book = df.drop_duplicates(‘title‘) book
然后发现清理后发现价格栏有Nan值,再进行一次对Nan进行清理
# 对Nan进行清理 book = book.dropna(axis=0) book
保存清理后的数据然后打开新的数据:
book.to_csv(‘books.csv‘,encoding=‘gb18030‘) #保存数据清洗后的文件 book = pd.read_csv(‘books.csv‘,encoding=‘gb18030‘) book
对爬取到的各出版设占比做饼状图图
plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘]#解决乱码问题 df_score = book[‘publisher‘].value_counts() #统计评分情况 plt.title("各出版设占比饼状图图") #设置饼图标题 plt.pie(df_score.values,labels = df_score.index,autopct=‘%1.1f%%‘) #绘图 plt.show()
各出版社对书本定价的分布所做的散点图:
sns.regplot(x = ‘publisher‘,y = ‘price‘,data=book)
价格直方图
sns.distplot(book[‘price‘])
五.总结
通过以上可视化分析看一大致了解了这本书在不同出版社里,定价的不同。通过饼图可以看出人民文学出版社,商务印书馆,译林出版社,知识出版社等在当当网上占比较多,可以考虑购买这几个出版社所出版的图书。通过散点图和统计图看出这本书的价格在20元左右。这些数据大致可以帮用户分析得到一些数据,可以提供一些数据供用户参考,大致上给到了用户一点建议,与预期的目标还是差了些。
通过这次的课程设计实验,我学习到了要想爬取网站上的信息,必须有一个好的工具。通过本学期的Python课程的学习,使我又进一步了解了Python,Python是一种计算机程序设计语言(解释型语言),具有代码少、简单、运行速度慢的特点。本次课程设计中我也发现了自己的在对Python的运用的很多不足,在课程设计的过程中,我遇到了很多问题,比如很多英文看不懂,我的英文水平还是太差了,今后还要努力学习英语,运行代码是也是经常犯一些很基础的错误,这让我意识到我的基础还不够好,遇到问题首先在网上获取信息,在通过上网查找信息学习过程学习到了将爬取的信息存储到本地,在爬取网站时遇到了被网站的反爬虫程序拦截,通过学习学会了模拟浏览器爬取信息 。在今后,我会在空余的时间里安排时间学习Python。
标签:seaborn ie 6 enc 语言 live like nump cep style
原文地址:https://www.cnblogs.com/zr64366/p/14903892.html