Python爬虫豆瓣 保存至数据库 并将数据进行网页的可视化
本文章的所有代码和相关文章, 仅用于经验技术交流分享,禁止将相关技术应用到不正当途径,滥用技术产生的风险与本人无关。
本文章是自己学习的一些记录。
爬取数据
在这几天的学习当中,又看了一个爬虫的教程在b站上面的成都工业的那个视频,感觉老师讲的挺好的。跟着老师的学习,自己也把课程的内容写了一遍。因为之前有简单爬虫的基础 ,所以看的比较快。在这里整理下自己的学习内容
首先还是将数据爬取 保存至数据库:直接上课程的源码:
#-*- codeing = utf-8 -*- from bs4 import BeautifulSoup #网页解析,获取数据 import re #正则表达式,进行文字匹配 import urllib.request,urllib.error #制定URL,获取网页数据 import xlwt #进行excel操作 import sqlite3 #进行SQLite数据库操作 def main(): baseurl = "https://movie.douban.com/top250?start=" #1.爬取网页 datalist = getData(baseurl) #savepath = "豆瓣电影Top250.xls" dbpath = "movie.db" #3.保存数据 #saveData(datalist,savepath) saveData2DB(datalist,dbpath) #askURL("https://movie.douban.com/top250?start=") #影片详情链接的规则 findLink = re.compile(r'<a href="(.*?)">') #创建正则表达式对象,表示规则(字符串的模式) #影片图片 findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S) #re.S 让换行符包含在字符中 #影片片名 findTitle = re.compile(r'<span class="title">(.*)</span>') #影片评分 findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>') #找到评价人数 findJudge = re.compile(r'<span>(\d*)人评价</span>') #找到概况 findInq = re.compile(r'<span class="inq">(.*)</span>') #找到影片的相关内容 findBd = re.compile(r'<p class="">(.*?)</p>',re.S) #爬取网页 def getData(baseurl): datalist = [] for i in range(0,10): #调用获取页面信息的函数,10次 url = baseurl + str(i*25) html = askURL(url) #保存获取到的网页源码 # 2.逐一解析数据 soup = BeautifulSoup(html,"html.parser") for item in soup.find_all('div',class_="item"): #查找符合要求的字符串,形成列表 #print(item) #测试:查看电影item全部信息 data = [] #保存一部电影的所有信息 item = str(item) #影片详情的链接 link = re.findall(findLink,item)[0] #re库用来通过正则表达式查找指定的字符串 data.append(link) #添加链接 imgSrc = re.findall(findImgSrc,item)[0] data.append(imgSrc) #添加图片 titles = re.findall(findTitle,item) #片名可能只有一个中文名,没有外国名 if(len(titles) == 2): ctitle = titles[0] #添加中文名 data.append(ctitle) otitle = titles[1].replace("/","") #去掉无关的符号 data.append(otitle) #添加外国名 else: data.append(titles[0]) data.append(' ') #外国名字留空 rating = re.findall(findRating,item)[0] data.append(rating) #添加评分 judgeNum = re.findall(findJudge,item)[0] data.append(judgeNum) #提加评价人数 inq = re.findall(findInq,item) if len(inq) != 0: inq = inq[0].replace("。","") #去掉句号 data.append(inq) # 添加概述 else: data.append(" ") #留空 bd = re.findall(findBd,item)[0] bd = re.sub('<br(\s+)?/>(\s+)?'," ",bd) #去掉<br/> bd = re.sub('/'," ",bd) #替换/ data.append(bd.strip()) #去掉前后的空格 datalist.append(data) #把处理好的一部电影信息放入datalist return datalist #得到指定一个URL的网页内容 def askURL(url): head = { #模拟浏览器头部信息,向豆瓣服务器发送消息 "User-Agent": "Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122 Safari / 537.36" } #用户代理,表示告诉豆瓣服务器,我们是什么类型的机器、浏览器(本质上是告诉浏览器,我们可以接收什么水平的文件内容) request = urllib.request.Request(url,headers=head) html = "" try: response = urllib.request.urlopen(request) html = response.read().decode("utf-8") #print(html) except urllib.error.URLError as e: if hasattr(e,"code"): print(e.code) if hasattr(e,"reason"): print(e.reason) return html #保存数据 def saveData(datalist,savepath): print("save....") book = xlwt.Workbook(encoding="utf-8",style_compression=0) #创建workbook对象 sheet = book.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True) #创建工作表 col = ("电影详情链接","图片链接","影片中文名","影片外国名","评分","评价数","概况","相关信息") for i in range(0,8): sheet.write(0,i,col[i]) #列名 for i in range(0,250): print("第%d条" %(i+1)) data = datalist[i] for j in range(0,8): sheet.write(i+1,j,data[j]) #数据 book.save(savepath) #保存 def saveData2DB(datalist,dbpath): init_db(dbpath) conn = sqlite3.connect(dbpath) cur = conn.cursor() for data in datalist: for index in range(len(data)): if index == 4 or index == 5: continue data[index] = '"'+data[index]+'"' sql = ''' insert into movie250 ( info_link,pic_link,cname,ename,score,rated,instroduction,info) values(%s)'''%",".join(data) print(sql) cur.execute(sql) conn.commit() cur.close() conn.close() def init_db(dbpath): sql = ''' create table movie250 ( id integer primary key autoincrement, info_link text, pic_link text, cname varchar, ename varchar, score numeric , rated numeric , instroduction text, info text ) ''' #创建数据表 conn = sqlite3.connect(dbpath) cursor = conn.cursor() cursor.execute(sql) conn.commit() conn.close() if __name__ == "__main__": #当程序执行时 #调用函数 main() #init_db("movietest.db") print("爬取完毕!")
保存至数据库,在课程里面老师讲的是使用Pycharm对数据库进行查看。我这里用的是这个
安装好之后直接打开,然后在里面打开数据库显示:
这就是将爬取的数据保存到了数据库当中。
前面的爬虫具体的操作就是一些爬虫的基础,多学习联系就可以爬取下来了。
数据可视化及分析
这个课程是应用Python爬虫、Flask框架、Echarts、WordCloud等技术实现的数据可视化,在网页上面进行显示。之前我学过数据分析是直接用pandas、numpy、matplotlib等工具来实现数据分析。这个课程用的数据可视化是Echarts,进入他的官网:
https://echarts.apache.org/zh/index.html
对数据可视化分析还是非常炫酷的,这里有很多的内容供我们使用
所需准备
主要是应用Flask框架,新建flask项目,进行代码的编写,需要用到数据库的代码编写(这里注意在连接数据库表的时候如果找不到,使用绝对路径即可),之前在爬取的时候就已经用到数据库的操作语句。具体的内容可以去看看视频就明白了
在进行词云设置的时候 需要安装jieba分词库 安装wordcloud库进行生成词云:本课程根据250部电影的摘要短语形成词云:这里注意的问题是,先保存图片再显示才不会导致保存的图片的空白。
形成的词云如上面的图片,可以看出热门电影的字比较大一点(其实我就觉得好看哈哈)
展示
整体做出来的效果 加上我自己写的网页内容,具体展示如下:
总之这就是简单做出来的效果,我加了一些跳转的链接,可直接跳转到我的博客 哈哈 我觉得这种方式还是非常好看而且是动态的,有些事ppt做不出来的动态效果。如果结合pandas 、numpy、matplotlib、整体去做数据分析我觉得挺好。
- Python爬虫学习笔记(2) _豆瓣电影TOP250(2)爬取详细数据,保存为CSV文件【urllib、request、bs4、error、CSV】
- 用Jsoup写一个简单的爬虫,并把从网页上面爬下的数据保存到数据库中
- Python数据可视化:基于Flask / ECharts / Wordcloud 实现的豆瓣电影可视化网页
- Python爬虫项目,获取所有网站上的新闻,并保存到数据库中,解析html网页等(未完待续)
- python python 入门学习之网页数据爬虫cnbeta文章保存
- Python爬虫系列(七)豆瓣图书排行榜(数据存入到数据库)
- python爬虫-豆瓣爬取数据保存为html文件
- [python爬虫之路day4]:xpath基本知识&&lxml结合xpath进行数据分析&&爬取豆瓣电影
- Python爬虫实战(4):豆瓣小组话题数据采集—动态网页
- Python爬虫实战(4):豆瓣小组话题数据采集―动态网页
- crawler4j 爬虫网页数据并保存到数据库中
- python-框架-网页爬虫-文本处理-科学计算-可视化-机器学习-数据挖掘-深度学习
- 采用python的pyquery引擎做网页爬虫,进行数据分析
- python python 入门学习之网页数据爬虫搜狐汽车数据库
- Python + 高德JS——房源可视化(二):爬虫数据导入数据库
- Python爬虫(入门+进阶)学习笔记 1-5 使用pandas保存豆瓣短评数据
- 使用WebMagic爬虫框架及javaEE SSH框架将数据保存到数据库(一)
- Python 网页爬虫 & 文本处理 & 科学计算 & 机器学习 & 数据挖掘兵器谱
- Python的网页爬虫&文本处理&科学计&机器学习&数据挖掘工具集
- python爬虫爬取指定用户微博图片及内容,并进行微博分类及使用习惯分析,生成可视化图表