当Python遇上朱茵、迪丽热巴、林志玲、王祖贤等众多美女

最新推荐文章于 2021-09-18 17:30:07 发布

视学算法

最新推荐文章于 2021-09-18 17:30:07 发布

阅读量565

点赞数

作者介绍：徐麟，目前就职于互联网公司数据部，哥大统计数据狗，从事数据挖掘&分析工作，喜欢用R&Python玩一些不一样的数据

个人公众号：数据森麟（ID:shujusenlin）,知乎同名专栏作者。

前言

本文图片来自于“懂球帝”APP

640

笔者作为一位喜爱足球的球迷，“懂球帝”一定会是款必不可少的app，即使是只有16G的空间，也从未将其卸载。然而我们今天聊的与足球无关，而是去聊懂球帝上的“女神大会”专栏，作为一个大型“钢铁直男”聚集地，“懂球帝”上对各位女神的评分，对广大“钢铁直男”群体也具有一定代表性。

数据来源

目前女神大会更新至了第90期，总共出场了90位女神，界面如下：

640

我们通过fiddler获取该界面中女神的照片地址以及每一篇文章的id编号，用于之后的爬取和可视化，代码如下：

import json
import requests
from bs4 import BeautifulSoup
import pandas as pd
import re
import os
os.chdir('D:/爬虫/女神')

id_list = []
title_list = []
pic_list = []
date_list=[]

for i in range(1,6):
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).content
news = json.loads(html.decode('utf-8'))['news']
this_id = [k['id'] for k in news]
this_pic = [k['thumb'] for k in news]
this_title = [k['title'] for k in news]
this_date = [k['pubdate'] for k in news]
this_title=[BeautifulSoup(k,"html.parser").text for k in this_title]
id_list = id_list+this_id
title_list = title_list+this_title
pic_list = pic_list+this_pic
date_list = date_list+this_date

另一方面，每位女神的评分都在下一期当中，我们需要爬取文章内容进行获取：

640

爬取代码如下：

prev_title_list = []
score_list=[]
count_list=[]
for id in id_list:
url = 'http://www.dongqiudi.com/archive/{k}.html'.format(k=id)
header = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win32; x32; rv:54.0) Gecko/20100101 Firefox/54.0',
'Connection': 'keep-alive'}
cookies ='v=3; iuuid=1A6E888B4A4B29B16FBA1299108DBE9CDCB327A9713C232B36E4DB4FF222CF03; webp=true; ci=1%2C%E5%8C%97%E4%BA%AC; __guid=26581345.3954606544145667000.1530879049181.8303; _lxsdk_cuid=1646f808301c8-0a4e19f5421593-5d4e211f-100200-1646f808302c8; _lxsdk=1A6E888B4A4B29B16FBA1299108DBE9CDCB327A9713C232B36E4DB4FF222CF03; monitor_count=1; _lxsdk_s=16472ee89ec-de2-f91-ed0%7C%7C5; __mta=189118996.1530879050545.1530936763555.1530937843742.18'
cookie = {}
for line in cookies.split(';'):
name, value = cookies.strip().split('=', 1)
cookie[name] = value
html = requests.get(url,cookies=cookie, headers=header).content
try:
content = BeautifulSoup(html.decode('utf-8'),"html.parser")
score = content.find('span',attrs={'style':"color:#ff0000"}).text
prev_title = content.find('a',attrs={"target": "_self"}).text
prev_title_list.append(prev_title)
score_list.append(score)
sentence = content.text.split('，')
count=[k for k in sentence if re.search('截至目前',str(k))][0]
count_list.append(count)
except:
continue