python数据分析和可视化基础
python爬虫分析
4种python的爬虫的不同写法
1.基于requests库的方法:
requests是Python的一个HTTP客户端库,用于发送HTTP请求和处理响应。它提供了简洁的API,使得发送HTTP请求和处理响应变得非常简单。你可以使用requests库获取网页内容,然后配合解析库(如BeautifulSoup、lxml等)进行HTML或XML文档的解析。
2.基于Scrapy框架的方法:
Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架。它可以应用在包括数据挖掘,信息处理或存储历史数据等一系列的程序中。Scrapy提供了丰富的API和工具,可以方便地实现网页请求、数据提取、数据存储等操作。
3.基于Selenium库的方法:
Selenium是一个用于Web应用程序测试的工具,但它同样可以用于爬取动态生成的网页内容。Selenium可以模拟真实用户操作浏览器,包括点击、输入、滚动等操作,从而获取JavaScript渲染后的网页内容。
4.基于urllib库的方法:
urllib是Python内置的HTTP请求库,它可以用来打开和读取URL。虽然urllib的功能比requests库要弱一些,但在一些简单的场景下,使用urllib就足够了。
第二种:基于requests库的方法
1.requests模块的作用:
发送http请求,获取响应数据,requests 库是一个原生的 HTTP 库,比 urllib 库更为容易使用。requests 库发送原生的 HTTP 1.1 请求,无需手动为 URL 添加查询串, 也不需要对 POST 数据进行表单编码。相对于 urllib 库, requests 库拥有完全自动化 Keep-alive 和 HTTP 连接池的功能。
2.requests模块
pip/pip3 install requests
Request 基本请求方式
你可以通过 requests 库发送所有的http请求:
requests.get("http://httpbin.org/get") #GET请求
requests.post("http://httpbin.org/post") #POST请求
requests.put("http://httpbin.org/put") #PUT请求
requests.delete("http://httpbin.org/delete") #DELETE请求
requests.head("http://httpbin.org/head") #HEAD请求
requests.options("http://httpbin.org/OPTIONS") #OPTIONS请求
3.requests模块发送get请求
GET 参数说明:res = requests.get(url,headers=headers,params,timeout)
• url:要抓取的 url 地址。
• headers:用于包装请求头信息。
• params:请求时携带的查询字符串参数。
• timeout:超时时间,超过时间会抛出异常。
# 1.2.1-简单的代码实现
import requests
# 目标url
url = 'https://www.baidu.com'
# 向目标url发送get请求
response = requests.get(url)
# 打印响应网页内容
print(response.text)
3.1 text获取响应的网页内容
返回字符串类型数据
# 1.2.2-response.content
import requests
# 向目标url发送get请求
response = requests.get('https://www.baidu.com' )
# 打印响应内容
print(response.text)
3.2 content获取响应的网页内容
返回 bytes 类型数据,decode返回的也是字符串效果等同于response.text
# 1.2.2-response.content
import requests
# 向目标url发送get请求
response = requests.get('https://www.baidu.com' )
# 打印响应内容
print(response.content) # 注意这里!
# 通过对response.content进行decode,来解决中文乱码
print(response.content.decode()) # 注意这里!
response.content.decode() 默认utf-8
response.content.decode("GBK")
常见的编码字符集
utf-8
gbk
gb2312
ascii (读音:阿斯克码)
iso-8859-1
3.3 反爬添加 headers 的请求
访问豆瓣不添加header会报错,被识别为爬虫
import requests
url = 'https://movie.douban.com/top250'
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36'
}
response = requests.get(url, headers=header)
print(response.text)
3.4 获取请求响应状态码
print(response.status_code)
3.5 url发送带参数的请求
爬取动态网页时我们需要传递不同的参数获取 不同的内容;GET 传递参数有两种方法,可以直接在链接中添加参数或者利用 params 添加参数
import requests
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit
/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
url = 'https://search.douban.com/movie/subject_search?search_text=肖申克的救赎'
response = requests.get(url, headers=headers)
print(response.text)
3.6 通过 params 携带参数字典
需要把请求的关键存在字典变量里,发送请求的时候带上字典,参数字典设置给
import requests
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"
}
# 这是目标url
url = 'https://search.douban.com/movie/subject_search?'
# 请求参数是一个字典
kw = {'search_text': '肖申克的救赎'}
# 带上请求参数发起请求,获取响应
response = requests.get(url, headers=headers, params=kw)
print(response.text)
3.7 调用json() 方法
如果我们访问之后获得的数据是JSON格式的,那么我们可以使用json方法,直接获取转换成宁典格式的数据。
但是需要注意的是,如果返回的结果不是JSON格式,便会出现解析错误,抛出异常!
import requests
response = requests.get("http://httpbin.org/get")
print(response.text)
print(response.json())
print(type(response. json()))
3.8 参数中携带cookie
网站经常利用请求头中的 Cookie 字段来做用户访问状态的保持,那么我们可以在 headers 参数中添加 Cookie ,模拟普通用户的请求。
可以先获取网站cookie
import requests
url = 'https://movie.douban.com/'
response = requests.get(url)
print(response.cookies)
#print(r.cookies.items())
# 响应的cookies
for key, value in response.cookies.items():
print(f"{key} = {value}")
import requests
在使用cookie访问登录后网站内容
import requests
import re
# 构造请求头字典
headers = {
# 从浏览器中复制过来的User-Agent
"user-agent": 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36',
# 从浏览器中复制过来的Cookie
"cookie": 'bid = Mx0Pmwb-qI8'
}
# 请求头参数字典中携带cookie字符串
response = requests.get('https://www.douban.com/doumail/', headers=headers)
data = re.findall('<div id="content">(.*?)<h1>(.*?)</h1>',response.text)
print(response.status_code)
print(data)
通过cookies参数来设置,将cookies构造字典传入cookies字段
import requests
url = "'https://user.qzone.qq.com/这里写上要登录的QQ号/infocenter'"
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36',
}
cookies={"Cookie":"123456789"}
r = requests.get(url, headers=headers,cookies=cookies)
print(r.text)
3.9 超时时间过短将会报错
requests.get(url,timeout = 0.1) #备注时间为0.001
3.10 原始响应内容
import requests
response = requests.get("http://httpbin.org/get")
print(response.raw)
3.11 指定响应字符编码
print(response.encoding) # 查看响应字符编码
response.encoding="utf-8" #更改为utf-8编码
3.12 重定向allow_redirects
在网络请求中,通常都会存在重定向问题,在Requests中是默认开启允许重定向的,如果存在重定向时,自动继续跟随访问
import requests
response = requests.get("http://httpbin.org/get",allow_redirects=False)
3.13 查看响应的url
import requests
response = requests.get("http://httpbin.org/get")
print(response.url)
3.14 服务器返回的cookies
import requests
response = requests.get("http://httpbin.org/get")
print(response.cookies)
3.15查看响应的headers头
import requests
response = requests.get("http://httpbin.org/get")
print(response.headers)
4. requests模块发送POST请求
post(url, data=None, json=None, **kwargs):
import requests
payload = {"username": "admin", "password": "123456"}
#response = requests.post("http://httpbin.org/post", data={'usernaem':'admin'}
response = requests.post("http://httpbin.org/post", data=payload)
print(response.text)
4.1 POST 请求抓取网页
import requests
# 准备翻译的数据
wd =input("请输入要搜索的关键字:")
wd = {"search_text": wd}
# 准备伪造请求
headers = {
# User-Agent:首字母大写,表示请求的身份信息;一般直接使用浏览器的身份信息,伪造爬虫请求
# 让浏览器认为这个请求是由浏览器发起的[隐藏爬虫的信息]
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.83 Safari/537.36 Edg/85.0.564.41"
}
# 发送POST请求,附带要翻译的表单数据--以字典的方式进行传递
response = requests.post("https://search.douban.com/movie/subject_search?", data=wd)
print(response.url)
# 打印返回的数据
# print(response.content)
print(response.content.decode("utf-8"))
# print(response.text.encode("utf-8"))
4.2 使用Session维持登录信息
import requests
import re
# 构造请求头字典
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36'
}
# 实例化session对象
session = requests.session()
# 访问登陆页获取登陆请求所需参数
response = session.get('https://github.com/login', headers=headers)
authenticity_token = re.search('name="authenticity_token" value="(.*?)" />',response.text).group(1) # 使用正则获取登陆请求所需参数
# 构造登陆请求参数字典
data = {
'commit': 'Sign in', # 固定值
'utf8': ' ', # 固定值
'authenticity_token': 'authenticity_token', # 该参数在登陆页的响应内容中
'login':input('输入github账号:'),
'password':input('输入github账号:')
}
# 发送登陆请求(无需关注本次请求的响应)
session.post('https://github.com/session', headers=headers, data=data)
# 打印需要登陆后才能访问的页面
response = session.get('https://github.com/settings/profile', headers=headers)
print(response.text)
from requests import sessions
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36',
}
session = sessions.Session()
response = session.get("https://www.baidu.com/s?wd=python",headers=headers)
print(response.text)
# or
# requests = sessions.Session()
# response = requests.get("https://www.baidu.com/s", params={"wd": "python"})
print(u"请求的URL: ", response.request.url)
print(u"请求的参数(GET方法专属): ", response.request.path_url)
print(u"请求的Method: ", response.request.method)
print(u"请求的头: ", response.request.headers)
print(u"响应状态码: ", response.status_code)
print(u"响应头: ", response.headers)
print(u"响应内容: ", response.content)
print(u"请求所带的cookie和响应所返回的cookie集合: ", response.cookies)
print(u"总共耗时: ", response.elapsed)
4.2 proxies 代理参数的使用
response = requests.get (url,proxies = proxies)
#proxies 的形式:字典
proxies = {
" http ": " http :// 12.34.56.79: 9527 ",
" https ": " https :// 12.34.56.79: 9527 ",
}
import requests
proxies = {
"http": "http://124.236.111.11:80",
"https": "https:183.220.145.3:8080"
}
url= 'http://www.baidu.com'
req = requests.get(url,proxies=proxies)
print(req.status_code)
4.3 上传文件
url = 'https://httpbin.org/post'
files = {'file': open('report.xls', 'rb')}
r = requests.post(url, files=files)
print('\n', r.text)
5.requests版的豆瓣电影top250完整版代码
from bs4 import BeautifulSoup
import re
import requests
# import urllib.request, urllib.error
import xlwt
import sqlite3
# urllib.parse模块是一个用于解析URL的工具包,支持各种对URL的操作,包括拆分、拼接、编码、解码等。
import urllib.parse
def main():
baseurl = "https://movie.douban.com/top250?start="
print("爬虫开始....")
datalist = get_data(baseurl)
save_path = r"D:\豆瓣网电影TOP250.xls"
save_data(datalist, save_path)
dbpath = "test1.db"
saveData2DB(datalist,dbpath)
# 影片详情链接的规则
findLink = re.compile(r'<a href="(.*?)">') # 创建正则表达式对象,表示规则(字符串的模式)
# 影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S) # re.s 让换行符包含在字符中
# 影片片名
findTitle =re.compile(r'<span class="title">(.*)</span>')
# 影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
# 找到评价人数
findJudge =re.compile(r'<span>(\d*)人评价</span>')
# 找到概况
findInq =re.compile(r'<span class="inq">(.*)</span>')
# 找到影片的相关内容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)
# 爬取所有网页内容
def get_data(baseurl):
datalist = []
# 循环爬取所有页面
for i in range(0,10):
url = baseurl + str(i*25)
html = askurl(url)
#print(html)
# 逐一解析数据 把html使用html.parser进行解析
soup = BeautifulSoup(html, "html.parser")
# 引入正则表达式,匹配满足的特征的字符串
for item in soup.find_all("div", class_="item"): #查找符合要求的字符串,形成列表
#print(item) #测试:查看电影item全部信息
#break
data = [] #用于保存所有数据
item = str(item)
Link = re.findall(findLink, item)[0] # re.findall查询所有符合条件的字符串,返回一个列表
data.append(Link)
ImgSrc = re.findall(findImgSrc, item)[0]
data.append(ImgSrc)
Titles = re.findall(findTitle, item) #片名可能只有一个中文名,没有外国名
if (len(Titles)) == 2:
ctitle = Titles[0]
data.append(ctitle) #添加中文名
otitle = Titles[1].replace("/","")
data.append(otitle) #添加外国名
else:
data.append(Titles[0])
data.append(" ") #外国名字留空
Rating = re.findall(findRating, item)[0]
data.append(Rating)
Judge = re.findall(findJudge, item)[0]
data.append(Judge)
Inq = re.findall(findInq, item)
if (len(Inq) != 0 ):
Inq = Inq[0].replace("。","") # 去掉 。
data.append(Inq)
else:
data.append(" ")
Bd = re.findall(findBd, item)[0]
Bd = re.sub(r'<br(\s+)?/>(\s+)?',"",Bd) # 去掉换行符<br/>
Bd = re.sub(r'/', "", Bd) # 去掉 /
data.append(Bd.strip())
datalist.append(data)
# print(len(datalist))
return datalist
def save_data(datalist,save_path):
book = xlwt.Workbook(encoding="utf-8",style_compression=0)
sheet = book.add_sheet("豆瓣网电影TOP250",cell_overwrite_ok=True)
col = ("电影链接","图片链接","电影中文名称","电影外语名称","电影评分","评论人数","电影概述","电影的相关内容")
for i in range(len(col)):
sheet.write(0,i,col[i])
for i in range(len(datalist)):
data = datalist[i]
#print('爬到到第%d行了' % i)
for j in range(len(data)):
sheet.write(i+1, j,data[j])
book.save(save_path)
def saveData2DB(datalist,dbpath):
init_db(dbpath)
conn =sqlite3.connect(dbpath)
cur =conn.cursor()
for data in datalist:
for index in range(len(data)):
if index == 4 or index ==5:
continue
data[index]='"'+data[index]+'"'
sql1 ='''
insert into movie250(info_link,pic_link,cname,ename,score,rated,instroduction,info)
values(%s)'''% ",".join(data)
print(sql1)
cur.execute(sql1)
conn.commit()
cur.close()
conn.close()
def init_db(dbpath):
sql = '''
create table movie250
(
id integer primary key autoincrement,
info_link text,
pic_link text,
cname varchar,
ename varchar,
score numeric,
rated numeric,
instroduction text,
info text
)
'''
print(sql)
conn = sqlite3.connect(dbpath)
c = conn.cursor()
c.execute(sql)
conn.commit()
conn.close()
# 爬取单个网页内容
def askurl(url):
headers = {
'User-Agent': "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) "
"Chrome/121.0.0.0 Safari/537.36"
}
req = requests.get(url, headers=headers)
try:
html = req.content.decode('utf-8')
# print(html)
except requests.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
except Exception as e:
print(e)
return html
if __name__ == '__main__':
main()
# askurl('https://movie.douban.com/top250')
print("爬虫结束")```
# python爬虫之word操作
## 安装方法
python中常用来操作word文件的库都是使用python-docx
```python
pip install python-docx
新建文档docx
from docx import Document
document = Document()
document.save('new.docx')
doc转为docx
from win32com import client as wc