python 3 爬起点中文网，简单分析

python 3之后，爬虫相对来说简单一些。主要会用到requests和beautifulsoup库，reuqests代替浏览器发送http请求并返回内容，返回的内容之前都是用正则表达式处理，当然现在也可以，不过现在beautifulsoup库用得比较多。beautifulsoup处理html标签，用得最多的是find、find_all、select函数。

一、研究网页结构

网址：https://www.qidian.com/rank/yuepiao?chn=-1&page=1

我用的是chrome浏览器,打开网址，鼠标右键选择“检查”，然后刷新。headers主要是头部信息，preview是页面的结构，主要是根据headers来写requests，分析preview找到自己要爬取的信息然后来写beautifulsoup。

二、爬取第一页内容

在preview里面，我找到了要爬取的信息都在rank-view-list这个标签，所以剩下就很简单了，定位到相应的标签即可。

res=requests.get('https://www.qidian.com/rank/yuepiao?chn=-1&page=1')

soup=BeautifulSoup(res.text,'html.parser')

for news in soup.select('.rank-view-list li'):

print({'title':news.select('a')[1].text,'name':news.select('a')[2].text,'style':news.select('a')[3].text,'describe':news.select('p')[1].text,'lastest':news.select('p')[2].text})

三、循环爬取25页的内容

因为url的前面都没有变化，只需要更改page后面的参数就好，所以加一个循环，完整代码如下：

importrequests

frombs4importBeautifulSoupnewsary=[]

foriinrange(25): res=requests.get('http://r.qidian.com/yuepiao?chn=-1&page='+str(i+1)) soup=BeautifulSoup(res.text,'html.parser')

fornewsinsoup.select('.rank-view-list li'): newsary.append({'title':news.select('a')[1].text,'name':news.select('a')[2].text,'style':news.select('a')[3].text,'describe':news.select('p')[1].text,'lastest':news.select('p')[2].text,'url':news.select('a')[0]['href'],'votes':news.select('p')[3].text})

#将爬取的信息保存到本地的excel文件中

importpandas

importopenpyxlnewsdf=pandas.DataFrame(newsary)newsdf.to_excel('/Users/songrenqing/Downloads/qidian_rank1.xlsx)

爬好后，在excel中大概是这种形式，我做了一些简单的处理

四、简单的分析

爬取到的信息主要是最新更新的章节，作者，文章类型，书名，书籍链接，简介，票数。然后用jupyter对数据进行了些简单的处理，用matplotlib绘图。

选取了得票最高的十位作者

都市和玄幻类题材最受作者欢迎，这两个题材的写作者占了一半左右。