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

      爬取虎牙直播英雄联盟播放信息

2.主题式网络爬虫爬取的内容与数据特征分析

      此次爬虫主要尝试爬取虎牙直播英雄联盟播放页的视频标题、主播名以及视频播放量

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）

      此次设计方案应用request库对虎牙网站进行页面爬取采集，然后beautifulsoup库提取目标信息，最后利用pandas将数据存储打印。技术难点主要有对数据的清洗以及对打印结果的排版。

 

二、主题页面的结构特征分析（15分）

 

1.主题页面的结构特征

 

 

 

 

 

 

 

2.Htmls页面解析

    标题信息在class="title new-clickstat"的<a>标签中；主播名在class="nick"的<i>标签中；播放量在class="js-num"的<i>标签中。

3.节点（标签）查找方法与遍历方法
（必要时画出节点树结构）
      本爬虫使用find_all()方法进行遍历查找。

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

def getHTMLText(url):
    try:
        #获取目标页面
        r = requests.get(url)
        #判断页面是否链接成功
        r.raise_for_status()
        #使用HTML页面内容中分析出的响应内容编码方式
        r.encoding = r.apparent_encoding
        #返回页面内容
        return r.text
    except:
        #如果爬取失败，返回“爬取失败”
        return "爬取失败"
  
#获取目标信息
def getData(titleList,nameList,numList,html):
    #创建BeautifulSoup对象
    soup = BeautifulSoup(html,"html.parser")
    #获取标题信息
    for a in soup.find_all("a",{"class":"title new-clickstat"}):
        #将标题信息存在列表中
        titleList.append(a.string)
    #获取主播名字信息
    for i in soup.find_all("i",{"class":"nick"}):
        #将主播名字存在列表中
        nameList.append(i.string)
    #获取播放量
    for i in soup.find_all("i",{"class":"js-num"}):
        #将播放量存在列表中
        numList.append(i.string)

 

2.对数据进行清洗和处理

def getHTMLText(url):
    try:
        #获取目标页面
        r = requests.get(url)
        #判断页面是否链接成功
        r.raise_for_status()
        #使用HTML页面内容中分析出的响应内容编码方式
        r.encoding = r.apparent_encoding
        #返回页面内容
        return r.text
    except:
        #如果爬取失败，返回“爬取失败”
        return "爬取失败"

#用来存放标题的列表
titleList = []
#用来存放主播名字的列表
nameList = []
#用来存放播放量的列表
numList = []
#英雄联盟页面链接
url = "https://www.huya.com/g/lol"
#获取页面html代码
html = getHTMLText(url)
#将目标信息存在目标列表中
getData(titleList,nameList,numList,html)
#创建文件夹
makeMkdir()
#数据存储并打印数据
pdSaveRead(titleList,nameList,numList)

 

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

 #使用pandas进行数据存储、读取
def pdSaveRead(titleList,nameList,numList):
    #创建numpy数组
    r = np.array([titleList,nameList,numList])
    #columns（列）名
    columns_title = ['标题','主播','播放量']
    #创建DataFrame数据帧
    df = pd.DataFrame(r.T,columns = columns_title)
    #将数据存在Excel表中
    df.to_excel(r'C:\虎牙直播\英雄联盟.xls',columns = columns_title)
    
    #读取表中岗位信息
    dfr = pd.read_excel(r'C:\虎牙直播\英雄联盟.xls')
    print(dfr.head()) 


#用来存放标题的列表
titleList = []
#用来存放主播名字的列表
nameList = []
#用来存放播放量的列表
numList = []
#英雄联盟页面链接
url = "https://www.huya.com/g/lol"

 

 6.附完整代码

import requests
from bs4 import BeautifulSoup
import pandas as pd
import numpy as np
import os


#爬取前程无忧目标的HTML页面
def getHTMLText(url):
    try:
        #获取目标页面
        r = requests.get(url)
        #判断页面是否链接成功
        r.raise_for_status()
        #使用HTML页面内容中分析出的响应内容编码方式
        r.encoding = r.apparent_encoding
        #返回页面内容
        return r.text
    except:
        #如果爬取失败，返回“爬取失败”
        return "爬取失败"
  
#获取目标信息
def getData(titleList,nameList,numList,html):
    #创建BeautifulSoup对象
    soup = BeautifulSoup(html,"html.parser")
    #获取标题信息
    for a in soup.find_all("a",{"class":"title new-clickstat"}):
        #将标题信息存在列表中
        titleList.append(a.string)
    #获取主播名字信息
    for i in soup.find_all("i",{"class":"nick"}):
        #将主播名字存在列表中
        nameList.append(i.string)
    #获取播放量
    for i in soup.find_all("i",{"class":"js-num"}):
        #将播放量存在列表中
        numList.append(i.string)
        
#创建文件夹
def makeMkdir():
    try:
         #创建文件夹
        os.mkdir("C:\虎牙直播")
    except:
        #如果文件夹存在则什么也不做
        ""
    
 #使用pandas进行数据存储、读取
def pdSaveRead(titleList,nameList,numList):
    #创建numpy数组
    r = np.array([titleList,nameList,numList])
    #columns（列）名
    columns_title = ['标题','主播','播放量']
    #创建DataFrame数据帧
    df = pd.DataFrame(r.T,columns = columns_title)
    #将数据存在Excel表中
    df.to_excel(r'C:\虎牙直播\英雄联盟.xls',columns = columns_title)
    
    #读取表中岗位信息
    dfr = pd.read_excel(r'C:\虎牙直播\英雄联盟.xls')
    print(dfr.head()) 


#用来存放标题的列表
titleList = []
#用来存放主播名字的列表
nameList = []
#用来存放播放量的列表
numList = []
#英雄联盟页面链接
url = "https://www.huya.com/g/lol"
#获取页面html代码
html = getHTMLText(url)
#将目标信息存在目标列表中
getData(titleList,nameList,numList,html)
#创建文件夹
makeMkdir()
#数据存储并打印数据
pdSaveRead(titleList,nameList,numList)

 

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？

       通过爬取数据，能更直观的看出哪个主播的播放量更高，更受欢迎。
2.对本次程序设计任务完成的情况做一个简单的小结。

    这次爬虫让我知道，做事情要一步一步来，不理解的方面要先解决了熟悉了再继续往下，前期的准备工作是必不可少的，这样在之后的各个步骤中才能明确自己要做什么，什么先做什么后做，对完成任务才能更加得心应手。此次爬虫过程中遇到不少困惑和不解，最终和伙伴一起学习讨论才能解决，让我深刻感受到PYTHON的魅力之处，希望这些对自己以后的学习有所帮助。