问题:获取中国大学MOOC平台的课程信息,包括开课学校、课程类别(标签)、课程名称、课程评分、评价人数和已参加课程人数。
思路:
1.进入中国大学MOOC首页,点击“学校”,进入学校页面(可直接获取单个url)
2.获取页面上所有学校url,保存到列表中(当前页上有所有学校url)
3.依次进入学校页面,获取所有课程的url(不止一页,需要翻页操作)
高亮:这一步要注意有的学校页面下没有课程没有课程没有课程,有的学校下只有一页课程!
4.进入课程页面,获取信息,存入列表
需要注意的就是几处点击操作,以及准确找到和提取目标文本
import requestsfrom bs4 import BeautifulSoupimport reimport timefrom selenium import webdriverimport pandas as pdimport csv ###爬取课程页信息###def GetDetail(url,result): driver=webdriver.Chrome() driver.get(url) time.sleep(2) html=driver.page_source bsobject=BeautifulSoup(html,"lxml") #print(bsobject) course_name=bsobject.find(class_="course-title f-ib f-vam").get_text() result.append(course_name) subject=bsobject.find(class_="breadcrumb_item sub-category").get_text() result.append(subject) num_of_join=bsobject.find(class_="course-enroll-info_course-enroll_price-enroll_enroll-count").get_text() result.append(num_of_join.split()[1]) num_of_mark=bsobject.find(id="review-tag-num").get_text() result.append(num_of_mark[1:-1]) a = driver.find_element_by_id("review-tag-button") a.click() time.sleep(2) html=driver.page_source bsobject=BeautifulSoup(html,"lxml") star=bsobject.find(class_="ux-mooc-comment-course-comment_head_rating-scores") #print(star) if star is not None: result.append(star.get_text()) #print(star.get_text()) else: result.append("") driver.close() #print(cont4)#url="https://www.icourse163.org/course/WHU-1457456166"#GetDetail(url) ###爬取单个页面###def getHTMLText(url): try: time.sleep(3) r = requests.get(url, timeout=30) r.raise_for_status() r.encoding = r.apparent_encoding return r.text except: return ""###爬取首页所有高校页面链接###def getSchoolURLs(): school_ls=[] school_url_ls=[] html=getHTMLText(base_url) soup=BeautifulSoup(html) for link in soup.body.findAll(class_='u-usity f-fl'): if 'href' in link.attrs: #print(link.attrs['href']) school_ls.append(link.attrs['href']) #print(school_ls) for item in school_ls: school_url_ls.append("https://www.icourse163.org"+item+"#/c") return school_url_ls#print(school_url_ls)#生成目标学校url base_url="https://www.icourse163.org/university/view/all.htm#/" #首页urlSchoolURLs=getSchoolURLs() #得到存放了所有大学页面url的列表print(SchoolURLs) #成功 ###打开csv文件,写入文件头headers_of_csv=["学校","课程名称","科目","参加人数","评价人数","评分"]csvFile=open("中国大学MOOC课程信息3.csv","w+",newline='',encoding='utf-8')f_csv=csv.writer(csvFile)f_csv.writerow(headers_of_csv) results=[] #数组存放学校,课程名,科目,参与人数,评价人数,评分 for school in SchoolURLs: print("在读取的学校是:{}".format(school)) course_ls=[] course_url_ls=[] driver=webdriver.Chrome() #打开浏览器 def OpenSchoolWeb(url): driver.get(url) time.sleep(3) html=driver.page_source bsobject=BeautifulSoup(html,"lxml") cont=bsobject.findAll(class_="u-courseCardWithTime-container_a160") for items in cont: if 'href' in items.attrs: if items.attrs['href'] in course_ls: return course_ls.append(items.attrs['href']) #找到课程链接 for items in course_ls: course_url_ls.append("https:"+items) #构造完整url try: a = driver.find_element_by_link_text("下一页") #翻页 a.click() time.sleep(3) except: return OpenSchoolWeb(url) OpenSchoolWeb(school) #打开该学校页面并获取所有课程 driver.close() #关闭浏览器 CourseURLs=set(course_url_ls) #去重 print("找到{}门课程".format(len(CourseURLs))) for course in CourseURLs: print("在读取的课程是:{}".format(course)) result=[] result.append(str(school)[38:-3]) #第一个元素是该课程开设的高校 GetDetail(course,result) #爬取课程页面信息 f_csv.writerow(result) #写入数据 print(result) #成功csvFile.close #结束关闭csv文件
exm??? 不好意思调了很久实在不知道插入代码块怎么没给我保留缩进
那给个网盘链接吧:)
链接:https://pan.baidu.com/s/1ViUiAIagINJXUNVhDi2fyw
提取码:uh76
后记:1. 这次的问题其实是一个导论课期末论文作业,临近期末ddl比较多,从选题到数据采集、数据分析、数据可视化、撰写论文共耗时3.5天,赶工完成,质量不足见谅。(以及博主由于没学过面向对象程序设计不会class,所以代码写的很幼稚很纯C;分析和可视化也是直接用了excel…逃)2. 经博主检验代码可用(截止2020/6/2),但是不保证是否能够顺利爬取MOOC所有课程。博主让它爬了一晚上,第二天醒来发现电脑网络断了…(至于有没有被反爬我也不确定)然后拿了近800条数据走人:)3.代码写了1.5天的样子,可以说是整个过程中做的最认真的部分了吧。(第一次很不熟练一直卡)。几点体会:(1)提取元素的时候可以先考虑简单的方法,不行再考虑正则表达式匹配等复杂的方法(可能由于博主太菜啦也写不来正则…)印象较为深刻的是提取参加人数的时候发现“已有 3096 人参加”在文字和数字间其实有空格,所以只要用split()方法切开就可以取出数据。(2)之前只接触过requests,考虑过用post方法获取页面的response…后来发现…selenium真的香!(3)好好学习唉