Python大作业——爬虫+可视化+数据分析+数据库(1)

知道了这些以后，就可以开始爬虫获取了

首先我们通过soup_body.select("body script")[3].get_text()语句获得这个script标签的文本

通过观察，url地址都是以”url“:"为起始，以引号"作为结束，所以我们不难写出匹配url地址的正则表达式：r'"url":"([^"]*)"'

括号中的内容即我们希望获得的mp3资源

通过re.search(pattern1, script).group(1)语句即可获得括号中的内容

由于获得的地址中会有转义字符/，所以我们需要用replace(r'\/', '/')将其置换为/

def get_song_detail(self, keyword): # 呈现搜索结果于界面

result = r’https://www.8lrc.com’ # 搜索结果的基础地址

pattern = r’(.) - (.)’ # 得到歌名的正则表达式

pattern1 = r’“url”:“([^”]*)"’ # 得到歌曲资源的正则表达式

self.keyword = keyword

self.names = []

self.musics = []

self.lyric = []

self.num = 0

for tag in self.tags[0:]:

if re.match(pattern, tag.text):

res_body = requests.get(result + tag[‘href’])

soup_body = BeautifulSoup(res_body.text, ‘html.parser’)

if soup_body.text.contains(“404”): continue

script = soup_body.select(“body script”)[3].get_text()

pre_music = re.search(pattern1, script).group(1)

self.names.append(re.split(pattern, tag.text)[1]) # 获取歌名

self.musics.append(pre_music.replace(r’/', ‘/’)) # 获取歌曲资源

self.num = self.num+1

self.song_show()

此处会有可能会出现一个问题，就是通过第一步获得的歌曲网址未必能打开，有的歌曲没有版权所以访问会出现404的情况，为了避免程序报错，我们需要跳过404的页面，所以有语句：if soup_body.text.__contains__("404"): continue

歌词方面同上都是先写出正则表达式，然后匹配得到结果，此处便不再演示，需要注意的是得到的歌词都带着\r\n字符，这显然不是我们所希望的，所以我们使用lyric.replace(r'\r\n', '\n')语句将这些字符转换为换行符，即可实现每句歌词占一行

二、爬取热门歌曲

---

这个部分我们爬取的网站地址为：http://m.yue365.com/bang/box100_w.shtml

步骤与上文无太大差别

值得一提的是该网站使用的编码是’gb2312’，而我们的编译器一般默认编码是utf-8，所以会出现乱码的情况

所以我们应该对获得的响应体设置编码

对于获取到的数据，我们采用excel存储

首先使用xlsxwriter.Workbook('popsongs.xlsx')创建一个名为popsongs的excel文件，可以再参数中设置格式，也可以利用add_format()创建格式

随后创建一个表单workbook.add_worksheet('pop500')命名为pop500，并使用 worksheet.set_column()设置列宽(第一个参数为起始列，第二个参数为终止列，第三个参数为长度，行数列数都从0开始)

之后就可以使用worksheet.write_row(row, 0, ['排名', '歌名', '歌曲url', '歌曲热度'], first_format)对每一行写入数据了，第一个参数为目标行，第二个参数为起始列，第三个参数为写入的值，从起始列开始写入列表中的值，第四个参数为之前所创建的格式

最后记得关闭excel文件，便大功告成了

def pop_songs(self):

row = 0

base = ‘http://m.yue365.com/’

url = ‘http://m.yue365.com/bang/box100_w.shtml’

pattern = r’width:(.*)%’

self.hot = []

res_body = requests.get(url)

res_body.encoding = ‘gb2312’

soup_body = BeautifulSoup(res_body.text, ‘lxml’)

songs = soup_body.findAll(class_=‘name’)

hot = soup_body.findAll(‘span’, class_=‘dib’)

workbook = xlsxwriter.Workbook(‘popsongs.xlsx’)

first_format = workbook.add_format({‘align’: ‘center’})

second_format = workbook.add_format({‘align’: ‘left’})

worksheet = workbook.add_worksheet(‘pop500’)

worksheet.set_column(0, 0, 6)

worksheet.set_column(1, 1, 20)

worksheet.set_column(2, 2, 46)

worksheet.set_column(3, 3, 10)

worksheet.write_row(row, 0, [‘排名’, ‘歌名’, ‘歌曲url’, ‘歌曲热度’], first_format)

for song in songs:

self.hot.append(re.split(pattern, hot[row*2+1][‘style’])[1])

row += 1

song_url = base+song.a[‘href’]

worksheet.write_row(row, 0, [row, song.a.text, song_url, self.hot[row-1]], second_format)

workbook.close()

os.startfile(‘popsongs.xlsx’)

使用os.startfile('popsongs.xlsx')在写完数据后自动打开文件

三、爬取热门歌手及其歌曲

---

这个部分我们爬取的网站地址为：https://www.9ku.com/geshou/all-all-liuxing.htm

最后

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。
🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。
🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！