百度飞浆Python小白逆袭大神打卡课程心得分享-《青春有你2》选手信息爬取

百度飞浆Python小白逆袭大神打卡课程心得分享-《青春有你2》选手信息爬取

在一次聊天中，不经意听某人说百度飞浆有免费的人工智能课程，免费的数据集，免费的计算资源，免费的教师天团（百度工程师+中科院天团），还有奶凶奶凶的班主任。因为我是个小白，碰巧这期就是为小白而设的逆袭大神打卡课程，为期7天，5个作业。说真的，第一次上这类课，感觉难度还是有的。但是不得不称赞一下 百度，真正的大厂担当，咱们这种凡人小白，别说懂不懂算法，就是数据集和计算资源就够脑袋大了，这些在百度AI Studio竟然都为我们解决了，还有技术大咖直播讲课。所以想学习人工智能的小伙伴真的可以关注，这种大厂的工程师和中科院天团讲课，真不是哪里都有。所以感谢百度，感谢老师，感谢班主任！
这期学习的作业有5个，难度一次递增，由于水平问题，这里我挑了一个比较简单的和大家分享。这是我们DAY2的作业《青春有你2》选手信息爬取。我觉得这个内容对我蛮有帮助的，咱们在学习深度学习的时候，总需要用到数据，这个爬虫就可以很好的帮助咱们获取想要的数据资源。闲话少说，下面开始分享。

作业说明

成《青春有你2》选手图片爬取，将爬取图片进行保存，保证代码正常运行及打印爬取的所有图片的绝对路径，以及爬取的图片总数。
爬虫的过程，就是模仿浏览器的行为，往目标站点发送请求，接收服务器的响应数据，提取需要的信息，并进行保存的过程。
Python为爬虫的实现提供了工具:requests模块、BeautifulSoup库

任务描述

本次实践使用Python来爬取百度百科中《青春有你2》所有参赛选手的信息。
数据获取：https://baike.baidu.com/item/青春有你第二季
这里说一下上网的全过程和爬虫的过程

1. 普通用户:

打开浏览器 --> 往目标站点发送请求 --> 接收响应数据 --> 渲染到页面上。

2. 爬虫程序:

模拟浏览器 --> 往目标站点发送请求 --> 接收响应数据 --> 提取有用的数据 --> 保存到本地/数据库。
爬虫的过程：

• 爬虫的过程：
  （1）发送请求（requests模块）
  （2）获取响应数据（服务器返回）
  （3）解析并提取数据（BeautifulSoup查找或者re正则）
  （4）保存数据

• 使用到的模块
  （1）request模块：

• requests是python实现的简单易用的HTTP库，官网地址：http://cn.python-requests.org/zh_CN/latest/

• requests.get(url)可以发送一个http get请求，返回服务器响应内容。
  （2）BeautifulSoup库：

• BeautifulSoup
  是一个可以从HTML或XML文件中提取数据的Python库。网址：https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/

• BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,其中一个是 lxml。

• BeautifulSoup(markup, “html.parser”)或者BeautifulSoup(markup,
  “lxml”)，推荐使用lxml作为解析器,因为效率更高。

一、爬取百度百科中《青春有你2》中所有参赛选手信息，返回页面数据

import json
import re
import requests
import datetime
from bs4 import BeautifulSoup
import os

#获取当天的日期,并进行格式化,用于后面文件命名，格式:20200420
today = datetime.date.today().strftime('%Y%m%d')    

def crawl_wiki_data():
    """
    爬取百度百科中《青春有你2》中参赛选手信息，返回html
    """
    headers = {
    
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
    }
    url='https://baike.baidu.com/item/青春有你第二季'                         

    try:
        response = requests.get(url,headers=headers)
        print(response.status_code)

        #将一段文档传入BeautifulSoup的构造方法,就能得到一个文档的对象, 可以传入一段字符串
        soup = BeautifulSoup(response.text,'lxml')
        
        #返回的是class为table-view log-set-param的<table>所有标签
        tables = soup.find_all('table',{
   'class':'table-view log-set-param'})

        crawl_table_title = "参赛学员"

        for table in  tables:           
            #对当前节点前面的标签和字符