Python爬虫实战之豆瓣音乐、微打赏、阳光电影

Python中文社区

发布于 2018-02-01 11:47:24

1K0

发布于 2018-02-01 11:47:24

文章被收录于专栏：Python中文社区Python中文社区

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': } 
     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 csvdef 
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)

本文作者