爬虫作业

爬取百度

爬取慕客网所有关于python的课程名及描述信息, 并通过词云进行分析展示;
- 网址: https://www.imooc.com/search/course?words=python

import re
import requests
from bs4 import BeautifulSoup
import jieba
import numpy
from PIL import Image
import wordcloud

def get_pagehtml(url):
    return requests.get(url).text

'''<a href="//coding.imooc.com/class/114.html" target="_blank" class="course-detail-title">
					<span class="highlight">Python</span>操作三大主流数据库
				</a>'''

def getname(text):
    '''
    :param text: 获取当前网页的名字和相关信息
    :return: 返回的是一个列表,字典里存储了python每门课程的名字和信息
    '''
    soup = BeautifulSoup(text, 'html5lib')
#<div class="course-item-detail">
    nametag_li = soup.find_all('div', class_="course-item-detail")
    info_li = []
#<span class="highlight">Python</span>操作三大主流数据库
    for i in nametag_li:
        info = {}
        #匹配当前元素下的所有汉字
        i = re.findall(r'[\u4E00-\u9FA5]+',str(i))
        info['name'] = i[0]
        info['info'] = i[1:]
        info_li.append(info)
    return info_li

def creat_wordcloud(text):
    imgobj = Image.open('img1.jpg')
    cloud_mask = numpy.array(imgobj)
    result = jieba.lcut(text)
    wc = wordcloud.WordCloud(
        width=500,
        mask=cloud_mask,
        max_font_size=100,
        min_font_size=10,
        background_color='snow',
        font_path = './font/msyh.ttf',
    )
    wc.generate(','.join(result))
    wc.to_file('./python.png')


def main():
    li = []
    for i in range(2):
        url = 'https://www.imooc.com/search/course?words=python&page=%d' %(i+1)
        info = getname(get_pagehtml(url))
        for j in info:
            li.append(j['name'])
            li.append(''.join(j['info']))
            print(j)
    creat_wordcloud(''.join(li))

main()

结果:
在这里插入图片描述

获取今日百度热点

from bs4 import BeautifulSoup
from urllib.request import urlopen


def getPagehtml(url):
    #获取网页源代码
    a = urlopen(url).read()
    #注意:此时的编码格式为gb2312
    return a.decode('gb2312','ignore')


def deal_text(text):
    soup = BeautifulSoup(text,'html5lib')
    # <a class="list-title" target="_blank"
    #找出满足上一行的tag
    info_li = soup.find_all('a',class_='list-title')
    #从满足要求的tag中提取标题内容,并存入列表当中
    news_li = [info_li[i].string for i in range(10)]
    return news_li

def main():
    url = 'http://top.baidu.com/buzz?b=341'
    new_li = deal_text(getPagehtml(url))
    [print(i) for i in new_li]
main()

结果:
在这里插入图片描述

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值