首页 > 编程语言 > 详细

Python高级应用程序设计任务

时间:2019-12-19 21:15:58      阅读:81      评论:0      收藏:0      [点我收藏+]

Python高级应用程序设计任务要求

用Python实现一个面向主题的网络爬虫程序,并完成以下内容:
(注:每人一题,主题内容自选,所有设计内容与源代码需提交到博客园平台)

一、主题式网络爬虫设计方案(15分)
1.主题式网络爬虫名称

爬取B站排行榜中的总站榜的三日排行
2.主题式网络爬虫爬取的内容与数据特征分析

爬取内容:排名、视频名、排放量、弹幕数、up主、综合评分、视频链接

数据特征分析:分析排名、播放量、弹幕数和综合评分的关系
3.主题式网络爬虫设计方案概述(包括实现思路与技术难点)

实现思路:

1.利用xlsxwriter建表

2.使用requests的get方法爬取页面源代码

3.使用re正则表达式爬取数据并存入表格

技术难点:

1.数据爬取时会出现错误

2.数据存入时会变成乱码

二、主题页面的结构特征分析(15分)

1.主题页面的结构特征

按F12查看,发现需爬取的数据皆为静态

技术分享图片

2.Htmls页面解析

div class=“content”标签中的便是要爬取的内容

技术分享图片
3.节点(标签)查找方法与遍历方法
(必要时画出节点树结构)

 利用requests中的get方法爬取网页,re中的findall的方法来遍历和查找需要获取的节点

三、网络爬虫程序设计(60分)
爬虫程序主体要包括以下各部分,要附源代码及较详细注释,并在每部分程序后面提供输出结果的截图。
1.数据爬取与采集

爬虫程序的代码如下 :

技术分享图片

技术分享图片

技术分享图片

运行后生成表格

结果如下:

技术分享图片
2.对数据进行清洗和处理

数据清洗:

导入数据

技术分享图片

删除列

技术分享图片

查找重复值

技术分享图片

删除重复值

技术分享图片

查询空值,返回无空值

技术分享图片

查询异常值

技术分享图片

3.文本分析(可选):jieba分词、wordcloud可视化
4.数据分析与可视化

用散点图分析排名和综合评分的分布:

技术分享图片

用盒图分析排名和综合评分的分布:

技术分享图片

用直方图分析综合评分的分布:

技术分享图片

用回归图分析排名和综合评分的关系:

技术分享图片
(例如:数据柱形图、直方图、散点图、盒图、分布图、数据回归分析等)
5.数据持久化

技术分享图片

6.附完整程序代码

#导入必须库
import requests
import re
import xlsxwriter
import pandas as pd
import numpy as np
import seaborn as sns
import sklearn
#创建一个函数
def bilibili_craw():
    #创建一个文件
    #为文件命名
    workbook=xlsxwriter.Workbook(B站全站排行榜.xlsx)
    #向文件添加数据
    worksheet=workbook.add_worksheet(Data)
    #为文件每一列命名
    row0=[rank,name,play,view,author,score,line]

    #循环
    for i in range(0,len(row0)):
        worksheet.write(0,i,row0[i])
    #获取网站源代码
    url=https://www.bilibili.com/ranking/all/0/0/3
    r=requests.get(url)
    rs=r.text

    #循环
    for i in range(1,101):
        try:
            #使用正则表达式获取排名
            p=<li class="rank-item"><div class="num">{0}</div><div class="content"><div class="img">(.+).format(i)
            n=re.compile(p).findall(rs)
            #如果排名不为0,则执行下面的循环

            if len(n)!=0:
                #用正则表达式爬取视频名
                p_title=<img alt="(.*?)" src="">
                v_title=re.compile(p_title).findall(n[0])
                #用正则表达式爬取播放量
                p_play=<span class="data-box"><i class="b-icon play"></i>(.*?)</span>
                v_play=re.compile(p_play).findall(n[0])
                # 用正则表达式爬取弹幕数
                p_view=<span class="data-box"><i class="b-icon view"></i>(.*?)</span>
                v_view=re.compile(p_view).findall(n[0])
                # 用正则表达式爬取up主
                p_author=<span class="data-box"><i class="b-icon author"></i>(.*?)</span>
                v_author=re.compile(p_author).findall(n[0])
                # 用正则表达式爬取综合评分
                p_score=<div>(.*?)</div>
                v_score=re.compile(p_score).findall(n[0])
                # 用正则表达式爬取视频链接
                p_line=<a href="(.*?)" target="_blank">
                v_line=re.compile(p_line).findall(n[0])

                #向文件写入爬取到的数据
                row1=[i,v_title[0],v_play[0],v_view[0],v_author[0],v_score[0],v_line[0]]
                #循环
                for j in range(0,len(row1)):
                    worksheet.write(i,j,row1[j])
        except:
            continue
    #关闭文件
    workbook.close()

#运行函数
bilibili_craw()
#导入数据
ranking=pd.DataFrame(pd.read_excel(D:\pycharm\爬虫\B站全站排行榜.xlsx))
#显示数据前5行
ranking.head()
#删除视频链接那一列
ranking.drop(line,axis=1,inplace=True)
ranking.head()
#查找重复值
ranking.duplicated()
#删除重复值
ranking=ranking.drop_duplicates()
#输出数据前五行
ranking.head()
#查询是否有空值
ranking[‘rank‘].isnull().value_counts()
#异常值查询
ranking.describe()
#绘制散点图 sns.jointplot(x="rank",y="score",data=ranking) #绘制盒图 sns.boxplot(x=rank,y=score,data=ranking) #绘制直方图查看score的分布 sns.distplot(ranking[score]) #绘制回归图 sns.regplot(x=score,y=rank,data=ranking,color=b)

 

四、结论(10分)
1.经过对主题数据的分析与可视化,可以得到哪些结论?

排名越高,综合评分越高

排名越高并不代表观看量,弹幕数越多,但观看量和弹幕数越多,排名都不低
2.对本次程序设计任务完成的情况做一个简单的小结。

通过这次学习,初步了解了python的爬虫功能,对requests库和正则表达式,也有一定的了解,也对如何爬取HTML页面标签信息有了了解。

Python高级应用程序设计任务

原文:https://www.cnblogs.com/LSSQ/p/12036357.html

(0)
(0)
   
举报
评论 一句话评论(0
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!