前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Python爬虫实战示例-51job和豆瓣电影

Python爬虫实战示例-51job和豆瓣电影

作者头像
潇洒坤
发布2018-09-10 10:34:14
7050
发布2018-09-10 10:34:14
举报
文章被收录于专栏:简书专栏简书专栏

2018年7月16日笔记

1.conda常用命令

1.1 列出当前环境的所有库

命令:conda list 在cmd中运行命令如下图所示:

图片.png-36.6kB
图片.png-36.6kB

图片.png-36.6kB

1.2 管理环境

创建环境

命令:conda create -n {} python={}第一对大括号替换为环境的命名,第二对大括号替换为python的版本号 例如:conda create -n python27 python=2.7 这个命令就是创建一个python版本为2.7的环境,并命名为python27

列出所有环境

命令:conda info -e

进入环境

activate {},大括号替换为虚拟环境名

环境添加库

conda install {},大括号替换为要安装库的库名

环境删除库

conda remove {},大括号替换为要安装库的库名

删除环境

conda remove -n {} -all,大括号替换为要删除库的库名

2. 爬虫示例

爬取豆瓣钱排名前250条信息,即下图这个网页的信息。

图片.png-340.8kB
图片.png-340.8kB

图片.png-340.8kB

下面的sql语句用来创建数据库的表

drop database if exists douban;
create database douban;
use douban;
DROP TABLE IF EXISTS `top250`;
CREATE TABLE `top250` (
  `director` varchar(100) DEFAULT NULL,
  `role` varchar(100) DEFAULT NULL,
  `year` varchar(100) DEFAULT NULL,
  `area` varchar(20) DEFAULT NULL,
  `genre` varchar(100) DEFAULT NULL,
  `title` varchar(255)  DEFAULT NULL
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

把豆瓣排名前250的电影信息导入mysql数据库中 下面一段代码能够成功运行的前提有两个: 1.安装库requests:pip install requests 安装库pymysql:pip install pymysql 2.修改下面代码中进入mysql数据库的用户名和密码,即修改下面这一句: conn = pymysql.connect(host='localhost', user='root', passwd='...your password', db='douban',charset="utf8")

import requests
from bs4 import BeautifulSoup as bs
import pymysql

if __name__ == "__main__":
    movieInfos = []  # 用于保存所有的电影信息
    baseUrl = 'https://movie.douban.com/top250?start={}&filter='
    for startIndex in range(0, 226, 25):
        url = baseUrl.format(startIndex)
        # 爬取网页
        r = requests.get(url)
        # 获取html内容
        htmlContent = r.text
        # 用BeautifulSoup加载html文本内容进行处理
        soup = bs(htmlContent, "lxml")
        # 获取到页面中索引的class名为info的标签(应该有25个)
        movieList = soup.find_all("div", attrs={"class": "info"})
        # 遍历25条电影信息
        for movieItem in movieList:
            movieInfo = {}  # 创建空字典,保存电影信息
            # 获取到名为class名为hd的div标签内容
            hd_div = movieItem.find("div", attrs={"class": "hd"})
            # 通过bd_div获取到里面第一个span标签内容
            hd_infos = hd_div.find("span").get_text().strip().split("\n")
            # < span  class ="title" > 天堂电影院 < / span >
            movieInfo['title'] = hd_infos[0]

            # 获取到class名为bd的div标签内容
            bd_div = movieItem.find("div", attrs={"class": "bd"})
            # print(bd_div)
            # 通过bd_div获取到里面第一个p标签内容
            infos = bd_div.find("p").get_text().strip().split("\n")
            # print(infos)   #包含了两行电影信息的列表
            # 获取导演和主演
            infos_1 = infos[0].split("\xa0\xa0\xa0")
            if len(infos_1) == 2:
                # 获取导演,只获取排在第一位的导演名字
                director = infos_1[0][4:].rstrip("...").split("/")[0]
                movieInfo['director'] = director
                # 获取主演
                role = infos_1[1][4:].rstrip("...").rstrip("/").split("/")[0]
                movieInfo['role'] = role
            else:
                movieInfo['director'] = None
                movieInfo['role'] = None
            # 获取上映的时间/地区/电影类型
            infos_2 = infos[1].lstrip().split("\xa0/\xa0")
            # 获取上映时间
            year = infos_2[0]
            movieInfo['year'] = year
            # 获取电影地区
            area = infos_2[1]
            movieInfo['area'] = area
            # 获取类型
            genre = infos_2[2]
            movieInfo['genre'] = genre
            print(movieInfo)
            movieInfos.append(movieInfo)
    conn = pymysql.connect(host='localhost', user='root', passwd='...your password', db='douban',charset="utf8")
    # 获取游标对象
    cursor = conn.cursor()
    # 查看结果
    print('添加了{}条数据'.format(cursor.rowcount))
    for movietiem in movieInfos:
        director = movietiem['director']
        role = movietiem['role']
        year = movietiem['year']
        area = movietiem['area']
        genre = movietiem['genre']
        title = movietiem['title']
        sql = 'INSERT INTO top250 values("%s","%s","%s","%s","%s","%s")' % (director, role, year, area, genre, title)
        # 执行sql
        cursor.execute(sql)
        # 提交
        conn.commit()
        print('添加了{}条数据'.format(cursor.rowcount))

插入数据库成功截图如下:

图片.png-67.2kB
图片.png-67.2kB

图片.png-67.2kB

2018年7月17日笔记

3.HTTP理解

3.1 HTTP请求格式

当浏览器向Web服务器发出请求时,它向服务器传递了一个数据块,也就是请求信息,HTTP请求信息由3部分组成: 1.请求方法URL协议/版本;2.请求头;3.请求体内容

图片.png-149.8kB
图片.png-149.8kB

图片.png-149.8kB

3.2 HTTP请求方式

常见的http请求方式有get和post Get是比较简单的http请求,直接会将发送给web服务器的数据放在请求地址的后面,即在请求地址后使用?key1=value1&ke2=value2形式传递数据,只适合数据量少,且没有安全性的请求 Post是需要发送给web服务器的数据经过编码放到请求体中,可以传递大量数据,并且有一定安全性,常用于表单提交

4.爬取51job网站信息

爬取51job网站信息并将数据持久化为excel文件

import requests
from bs4 import BeautifulSoup as bs
import re
from urllib import parse
import pandas as pd

def cssFind(soup,cssSelector,nth=1):
    if len(soup.select(cssSelector)) >= nth:
        return soup.select(cssSelector)[nth-1].text
    else:
        return 0

def getSoup(url):
    response = requests.get(url)
    response.encoding = 'gbk'
    soup = bs(response.text,'lxml')
    return soup

def getMaxPageNumber(url):
    soup = getSoup(url)
    maxPageNumberBefore = cssFind(soup,"span.td")
    pattern = "共(\d*)页"
    maxPageNumber = re.findall(pattern,maxPageNumberBefore)[0]
    return int(maxPageNumber)

def getJobList(url):
    soup = getSoup(url)
    webpage_job_list = soup.select("div.dw_table div.el")[1:]
    job_list = []
    for item in webpage_job_list:
        job = {}
        job['职位名'] = cssFind(item,"a").strip()
        job['公司名'] = cssFind(item,"span.t2")
        job['工作地点'] = cssFind(item,"span.t3")
        job['薪资'] = cssFind(item,"span.t4")
        job['发布时间'] = cssFind(item,"span.t5")
        job_list.append(job)
    return job_list

def getUrl(job,page):
    url_before = "https://search.51job.com/list/020000,000000,0000,00,9,99,{},2," \
                 "{}.html?lang=c&stype=1&postchannel=0000&workyear=99&cotype=99&" \
                 "degreefrom=99&jobterm=99&companysize=99&lonlat=0%2C0&radius=-1&" \
                 "ord_field=0&confirmdate=9&dibiaoid=0&specialarea=00"
    url = url_before.format(parse.quote(job),page)
    return url

if __name__ == "__main__":
    job = "人工智能"
    firstPage_url = getUrl(job,1)
    maxPageNumber = getMaxPageNumber(firstPage_url)
    job_list = []
    for i in range(1,maxPageNumber+1):
        print("共有%d页,正在获取第%d页" %(maxPageNumber,i))
        url = getUrl(job,i)
        job_list.extend(getJobList(url))
    df = pd.DataFrame(job_list,columns=job_list[0].keys())
    excel_name = "51job_{}.xlsx".format(job)
    df.to_excel(excel_name)
    print("finished!")

5.爬取豆瓣排名前250电影信息

下面一段代码只需要修改连接mysql数据库的密码就可以运行。 sql语句写在代码中,所以代码比较长。

# coding=utf-8
from bs4 import BeautifulSoup as bs
import requests
import re
import pymysql

def cssFind(movie,cssSelector,nth=1):
    if len(movie.select(cssSelector)) >= nth:
        return movie.select(cssSelector)[nth-1].text.strip()
    else:
        return ''

def reFind(pattern,sourceStr,nth=1):
    if len(re.findall(pattern,sourceStr)) >= nth:
        return re.findall(pattern,sourceStr)[nth-1]
    else:
        return ''

def getConn(database ="pydb"):
    args = dict(
        host = 'localhost',
        user = 'root',
        passwd = '... your password',
        charset = 'utf8',
        db = database
    )
    return pymysql.connect(**args)

if __name__ == "__main__":
    #连接数据库
    conn = getConn("douban")
    cursor = conn.cursor()
    #解析网页并将每条电影信息插入mysql数据库
    url_before = "https://movie.douban.com/top250?start={}"
    flag = True
    for i in range(0,250,25):
        url = url_before.format(i)
        response = requests.get(url)
        response.encoding = 'utf-8'
        soup = bs(response.text, 'lxml')
        movie_list = soup.select("ol.grid_view li")
        for movie in movie_list:
            item = {}
            item['title_zh'] = cssFind(movie, "span.title")  #提取标题
            item['title2'] = cssFind(movie, "span.title", 2).lstrip('/').strip() #提取
            item['title_other'] = cssFind(movie, "span.other").lstrip('/').strip()
            details = cssFind(movie, "div.bd p")
            pattern_director = "导演: (.*)主"
            item['director'] = reFind(pattern_director, details).strip('/...').strip()
            if item['director'] == "":
                item['director'] = reFind("导演: (.*)", details).strip('/...').strip()
            pattern_actor = "主演: (.*)"
            item['actor'] = reFind(pattern_actor, details).strip('/...').strip()
            detail2 = details.split('\n')[1]
            item['year'] = detail2.split('/')[0].strip()
            item['country'] = detail2.split('/')[1].strip()
            item['genre'] = detail2.split('/')[2].strip()
            item['rating_grade'] = cssFind(movie, "span.rating_num")
            item['rating_number'] = cssFind(movie, "div.star span", 4).rstrip("人评价")
            item['summary'] = cssFind(movie, "span.inq")
            if flag:
                drop_sql = "drop table if exists movie"
                cursor.execute(drop_sql)
                conn.commit()
                table_movie = ','.join(['`%s` varchar(200)'%key for key in item.keys()])
                create_sql = "create table movie(`id` int primary key auto_increment,%s)" %table_movie
                cursor.execute(create_sql)
                conn.commit()
                flag = False
            table_field = ','.join(['`%s`'%key for key in item.keys()])
            table_row = ','.join(['"%s"'%value for value in item.values()])
            insert_sql = "insert into movie(%s) values(%s)"%(table_field, table_row)
            print(insert_sql)
            cursor.execute(insert_sql)
            conn.commit()
    conn.close()
本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2018.07.17 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 1.conda常用命令
  • 1.1 列出当前环境的所有库
  • 1.2 管理环境
    • 创建环境
      • 列出所有环境
        • 进入环境
          • 环境添加库
            • 环境删除库
              • 删除环境
              • 2. 爬虫示例
              • 3.HTTP理解
                • 3.1 HTTP请求格式
                  • 3.2 HTTP请求方式
                  • 4.爬取51job网站信息
                  • 5.爬取豆瓣排名前250电影信息
                  相关产品与服务
                  数据库
                  云数据库为企业提供了完善的关系型数据库、非关系型数据库、分析型数据库和数据库生态工具。您可以通过产品选择和组合搭建,轻松实现高可靠、高可用性、高性能等数据库需求。云数据库服务也可大幅减少您的运维工作量,更专注于业务发展,让企业一站式享受数据上云及分布式架构的技术红利!
                  领券
                  问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档