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
import requests import re from bs4 import BeautifulSoup import time import pymongo client = pymongo.MongoClient('localhost', 27017) douban = client['douban'] musictop = douban['musictop'] headers = { 'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36' } urls = ['https://music.douban.com/top250?start={}'.format(str(i)) for i in range ( 0 , 250 , 25 )] def get_url_music ( url ): wb_data = requests . get ( url , headers = headers ) soup = BeautifulSoup ( wb_data . text , 'lxml' ) music_hrefs = soup . select ( 'a.nbg' ) for music_href in music_hrefs : get_music_info ( music_href [ 'href' ]) 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
import requests import json import math def get_sup_info ( url , page ): params = { 'ajaxtype' : 1 , 'page' : page , 'category' : 1 , 'pageSize' : 8 } cookies = { 'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36' , '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; } html = requests.post(url, data=params, headers=cookies) json_data = json.loads(html.text) des = json_data[' des '] for data in des: name = data[' name '] id = data[' id '] pay_count = data[' pay_count '] all_page = math.ceil(int(pay_count)/20) for i in range(1,int(all_page)+1): 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
import requests import re from lxml import etree import csv def get_resource(url,cate_name,cate_url,movie_name): res = requests.get(url) res.encoding = 'gb2312' html = etree.HTML(res.text) movie_resource = html.xpath('//tbody//tr/td/a/text()')[0] writer.writerow((cate_name,cate_url,movie_name,url,movie_resource)) print(movie_resource) |
上文内容不用于商业目的，如涉及知识产权问题，请权利人联系博为峰小编(021-64471599-8017)，我们将立即处理。
