你学爬虫,最终不还是为了爬妹子
125537qvvcq0jz6h7zv7s2.jpg (10.63 KB, 下载次数: 0)
2019-11-27 12:55 上传啥也不说,开始福利赠送~女神大会不是知道有多少人知道“懂球帝”这个 APP(网站),又有多少人关注过它的一个栏目“女神大会”,在这里,没有足球,只有女神哦。画风是这样的
125539gfcz70d7ne0fhs9q.jpg (73.65 KB, 下载次数: 0)
2019-11-27 12:55 上传女神评分,全部是由球迷来决定,是不是很赤鸡,下面就一起来看看球迷眼中女神排名吧。开工获取 ID 信息首先,我们可以通过抓取懂球帝 APP 的网络请求,拿到一个 API,http://api.dongqiudi.com/search?keywords=type=all&page=该 API ,我们能够拿到如下信息
125542neiq4jix4qwoxojx.jpg (39.82 KB, 下载次数: 0)
2019-11-27 12:55 上传 我们主要关注 ID 和 thumb,ID 后面用来拼接女神所在页面的 HTML 地址,thumb 就用来收藏。
125544b0s8a3q3we0k2ate.jpg (12.53 KB, 下载次数: 0)
2019-11-27 12:55 上传 于是,我们就可以得到一个简单的解析函数def get_list(page): nvshen_id_list = [] nvshen_id_picture = [] for i in range(1, page): print("获取第" + str(i) + "页数据") url = 'http://api.dongqiudi.com/search?keywords=%E5%A5%B3%E7%A5%9E%E5%A4%A7%E4%BC%9A&type=all&page=' + str(i) html = requests.get(url=url).text news = json.loads(html)['news'] if len(news) == 0: print("没有更多啦") break nvshen_id = [k['id'] for k in news] nvshen_id_list = nvshen_id_list + nvshen_id nvshen_id_picture = nvshen_id_picture + [{k['id']: k['thumb']} for k in news] time.sleep(1) return nvshen_id_list, nvshen_id_picture下载 HTML 页面接下来,通过观察,我们能够得到,每个女神所在的页面地址都是这样的,https://www.dongqiudi.com/archive/**.html其中 ** 就是上面拿到的 ID 值,那么获取 HTML 页面的代码也就有了def download_page(nvshen_id_list): for i in nvshen_id_list: print("正在下载ID为" + i + "的HTML网页") url = 'https://www.dongqiudi.com/archive/%s.html' % i download = DownloadPage() html = download.getHtml(url) download.saveHtml(i, html) time.sleep(2) class DownloadPage(object): def getHtml(self, url): html = requests.get(url=url).content return html def saveHtml(self, file_name, file_content): with open('html_page/' + file_name + '.html', 'wb') as f: f.write(file_content)防止访问限制,每次请求都做了2秒的等待但是,问题来了当我直接请求这个页面的时候,竟然是这样的
125545obdcpdyv77llpbbv.png (23.85 KB, 下载次数: 0)
2019-11-27 12:55 上传被(悲)拒(剧)了
125545rmssrwsuwwsmr2rr.jpg (19.06 KB, 下载次数: 0)
2019-11-27 12:55 上传没办法,继续斗争。重新分析,发现请求中有携带一个 cookie,哈哈,这个我们已经轻车熟路啦对 requests 请求增加 cookie,同时再把 headers 里面增加个 User-Agent,再试
125547pef5h77xwd7wewee.jpg (95.03 KB, 下载次数: 0)
2019-11-27 12:55 上传成了!
125549ms0bgy6mal11bfa0.jpg (89.34 KB, 下载次数: 0)
2019-11-27 12:55 上传解析本地 HTML最后,就是解析下载到本地的 HTML 页面了,页面的规则就是,本期女神介绍页面,会公布上期女神的综合得分,而我们的主要任务就是获取各个女神的得分def deal_loaclfile(nvshen_id_picture): files = os.listdir('html_page/') nvshen_list = [] special_page = [] for f in files: if f[-4:] == 'html' and not f.startswith('~'): htmlfile = open('html_page/' + f, 'r', encoding='utf-8').read() content = BeautifulSoup(htmlfile, 'html.parser') try: tmp_list = [] nvshen_name = content.find(text=re.compile("上一期女神")) if nvshen_name is None: continue nvshen_name_new = re.findall(r"女神(.+?),", nvshen_name) nvshen_count = re.findall(r"超过(.+?)人", nvshen_name) tmp_list.append(''.join(nvshen_name_new)) tmp_list.append(''.join(nvshen_count)) tmp_list.append(f[:-4]) tmp_score = content.find_all('span', attrs={'style': "color:#ff0000"}) tmp_score = list(filter(None, [k.string for k in tmp_score])) if '.' in tmp_score[0]: if len(tmp_score[0]) > 3: tmp_list.append(''.join(list(filter(str.isdigit, tmp_score[0].strip())))) nvshen_list = nvshen_list + get_picture(content, tmp_list, nvshen_id_picture) else: tmp_list.append(tmp_score[0]) nvshen_list = nvshen_list + get_picture(content, tmp_list, nvshen_id_picture) elif len(tmp_score) > 1: if '.' in tmp_score[1]: if len(tmp_score[1]) > 3: tmp_list.append(''.join(list(filter(str.isdigit, tmp_score[1].strip())))) nvshen_list = nvshen_list + get_picture(content, tmp_list, nvshen_id_picture) else: tmp_list.append(tmp_score[1]) nvshen_list = nvshen_list + get_picture(content, tmp_list, nvshen_id_picture) else: special_page.append(f) print("拿不到score的HTML:", f) else: special_page.append(f) print("拿不到score的HTML:", f) except: print("解析出错的HTML:", f) raise return nvshen_list, special_page def get_picture(c, t_list, n_id_p): print("进入get_picture函数:") nvshen_l = [] tmp_prev_id = c.find_all('a', attrs={"target": "_self"}) for j in tmp_prev_id: if '期' in j.string: href_list = j['href'].split('/') tmp_id = re.findall(r"\d+\.?\d*", href_list[-1]) if len(tmp_id) == 1: prev_nvshen_id = tmp_id[0] t_list.append(prev_nvshen_id) for n in n_id_p: for k, v in n.items(): if k == prev_nvshen_id: t_list.append(v) print("t_list", t_list) nvshen_l.append(t_list) print("get_picture函数结束") return nvshen_l保存数据对于我们最后解析出来的数据,我们直接保存到 csv 文件中,如果数据量比较大的话,还可以考虑保存到 mongodb 中。def save_to_file(nvshen_list, filename): with open(filename + '.csv', 'w', encoding='utf-8') as output: output.write('name,count,score,weight_score,page_id,picture\n') for row in nvshen_list: try: weight = int(''.join(list(filter(str.isdigit, row[1])))) / 1000 weight_2 = float(row[2]) + float('%.2f' % weight) weight_score = float('%.2f' % weight_2) rowcsv = '{},{},{},{},{},{}'.format(row[0], row[1], row[3], weight_score, row[4], row[5]) output.write(rowcsv) output.write('\n') except: raise对于女神的得分,又根据打分的人数,做了个加权分数保存图片def save_pic(url, nick_name): resp = requests.get(url) if not os.path.exists('picture'): os.mkdir('picture') if resp.status_code == 200: with open('picture' + f'/{nick_name}.jpg', 'wb') as f: f.write(resp.content)直接从拿到的 thumb 地址中下载图片,并保存到本地。做一些图首先我们先做一个柱状图,看看排名前10和倒数前10的情况
125550ssjfrswsedfrmvye.jpg (50.76 KB, 下载次数: 0)
2019-11-27 12:55 上传可以看到,朱茵、石川恋和高圆圆位列三甲,而得分高达95+的女神也有7位之多。那么排名后10位的呢,自行看吧,有没有人感到有点扎心呢,哈哈哈。同时,也能够从打分的人数来看出,人气高的女神,普遍得分也不低哦。不过,该排名目前只代表球迷心目中的榜单,不知道程序猿心中的榜单会是怎样的呢
125552drvrs9vxdsl22644.jpg (11.94 KB, 下载次数: 0)
2019-11-27 12:55 上传词云
125554m68uu0srk3j3z5i6.jpg (101.33 KB, 下载次数: 0)
2019-11-27 12:55 上传图片墙
125558fhe2ezvzhete3vsc.jpg (164.22 KB, 下载次数: 0)
2019-11-27 12:55 上传流口水哦。
125601ewltklhbxauuxfwk.jpg (44.39 KB, 下载次数: 0)
2019-11-27 12:55 上传百度 API 评分百度有免费的人脸检测 API,只要输入图片,就能够得到对应的人脸得分,还是非常方便的,感兴趣的小伙伴可以去官网看看哦。我这里直接给出了我通过百度 API 得出的女神新得分,一起来看看吧
125604pttolzrzz7tr04uo.jpg (44.4 KB, 下载次数: 0)
2019-11-27 12:55 上传哈哈哈哈,AI 的评分,对于图片的依赖太高,纯属娱乐。
来源:https://www.cnblogs.com/chengxyuan/p/11929574.html
免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作!