Python高级应用程序设计任务
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QQ音乐歌手歌曲信息。
2.主题式网络爬虫爬取的内容与数据特征分析
爬取QQ音乐歌手具体歌曲名称。
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）
requests库对目标页面进行爬取，从QQ音乐页面提取url，目标数据是json数据类型，使用xlwt将数据存入.xls文件，pandas读取文件数据。用BeautifulSoup对数据进行采集，最后打印结果。
二、主题页面的结构特征分析（15分）
1.主题页面的结构特征
https://c.y.qq.com/soso/fcgi-bin/client_search_cp?&remoteplace=txt.yqq.album&t=8&p={num}&n=5&w={singer}&format=json
在{}内填入页码和歌手名获取专辑列表
https://y.qq.com/n/yqq/album/{}.html
在{}内填入专辑mid，获取歌曲列表
2.Htmls页面解析
2.Htmls页面解析
3.节点（标签）查找方法与遍历方法
（必要时画出节点树结构）
for span in soup.find_all("span", attrs="songlist__songname_txt"):
for song in albumlist:
albumMid = song['albumMID']
all_albummid.append(albumMid)
return all_albummid
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。
所有源代码如下所示：
import requests from bs4 import BeautifulSoup import json import xlwt import pandas as pd #爬取页面函数 def catchhtml(url): kv = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36'} #异常判断 try: data = requests.get(url, headers=kv, timeout=10) #查看状态码，判断爬取状态 data.raise_for_status() data.encoding = data.apparent_encoding #返回页面 return data.text except: return "爬取失败" #获取专辑 def getalbum(times, singer): all_albummid = [] for num in range(1, times): #获取信息的目标url url = f'https://c.y.qq.com/soso/fcgi-bin/client_search_cp?&remoteplace=txt.yqq.album&t=8&p={num}&n=5&w={singer}&format=json' html = catchhtml(url) # 解析json数据 js = json.loads(html) # 定位albumMID albumlist = js['data']['album']['list'] for song in albumlist: albumMid = song['albumMID'] all_albummid.append(albumMid) return all_albummid #获取专辑内的歌曲名 def getsong(albumlist): songs = [] for i in albumlist: html = catchhtml(f'https://y.qq.com/n/yqq/album/{i}.html') #bs4格式化html页面 soup = BeautifulSoup(html, "html.parser") #遍历span标签内a标签的字符串 for span in soup.find_all("span", attrs="songlist__songname_txt"): #将字符串放进列表 songs.append(str(span.a.string).strip()) return songs #将数据存入文件 def write_file(data, saveurl): # 创建Workbook，相当于创建Excel book = xlwt.Workbook(encoding='utf-8') # 创建sheet，Sheet1为表的名字，cell_overwrite_ok为是否覆盖单元格 sheet1 = book.add_sheet(u'Sheet1', cell_overwrite_ok=True) #将首行的首列设为'歌曲名' sheet1.write(0, 0, '歌曲名') r = 1 #r为row(行) for temp in data: sheet1.write(r, 0, temp) r += 1 #保存文件到给定的save_url book.save(saveurl) print(f'写入文件成功,地址为{saveurl}') #读取文件 def read_file(singer): try: data = pd.read_excel(f'D:/{singer}\'s_songs.xls', names=['song_name']) print('读取文件成功') #返回文件内的数据 return data except: "文件不存在或文件名错误" #主函数 def main(): #临界值20个专辑 times = 20 #输入歌手名称 singer = '陈奕迅' #专辑mid列表 albumlist = getalbum(times, singer) #歌曲列表 songlist = getsong(albumlist) #存储excel文件的位置 saveurl = f'D:\\{singer}\'s_songs.xls' #写入文件 write_file(songs, saveurl) #读取文件 read_file(singer) if __name__ == '__main__': main()
运行结果（截图）如下：
该Excel文件里面有陈奕迅的所有专辑名称和歌曲名称，列为一个名单，共700多行。部分截图如下：
1.数据爬取与采集
相关代码如下（对QQ音乐url中的相关数据进行采集）：
#爬取页面函数 def catchhtml(url): kv = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36'} #异常判断 try: data = requests.get(url, headers=kv, timeout=10) #查看状态码，判断爬取状态 data.raise_for_status() data.encoding = data.apparent_encoding #返回页面 return data.text except: return "爬取失败"
2.对数据进行清洗和处理
相关代码如下（获取想要的信息，即陈奕迅专辑名和详细的歌曲名）：
#获取专辑 def getalbum(times, singer): all_albummid = [] for num in range(1, times): #获取信息的目标url url = f'https://c.y.qq.com/soso/fcgi-bin/client_search_cp?&remoteplace=txt.yqq.album&t=8&p={num}&n=5&w={singer}&format=json' html = catchhtml(url) # 解析json数据 js = json.loads(html) # 定位到albumMID albumlist = js['data']['album']['list'] for song in albumlist: albumMid = song['albumMID'] all_albummid.append(albumMid) return all_albummid #获取专辑内的歌曲名 def getsong(albumlist): songs = [] for i in albumlist: html = catchhtml(f'https://y.qq.com/n/yqq/album/{i}.html') #bs4格式化html页面 soup = BeautifulSoup(html, "html.parser") #遍历span标签内a标签的字符串 for span in soup.find_all("span", attrs="songlist__songname_txt"): #将字符串放进列表 songs.append(str(span.a.string).strip()) return songs
3.文本分析（可选）：jieba分词、wordcloud可视化
无。
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）
（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）
由于是在爬取歌手陈奕迅的专辑名称和歌曲名称，都是具体的数据，只能用文字来表示数据，因此不需要使用可视化！
#读取文件
def read_file(singer):
try:
data = pd.read_excel(f'D:/{singer}\'s_songs.xls', names=['song_name'])
print('读取文件成功')
#返回文件内的数据
return data
except:
"文件不存在或文件名错误"
5.数据持久化
数据持久化即为数据存储，相关代码如下：
#将数据存入文件 def write_file(data, saveurl): # 创建Workbook，相当于创建Excel book = xlwt.Workbook(encoding='utf-8') # 创建sheet，Sheet1为表的名字，cell_overwrite_ok为是否覆盖单元格 sheet1 = book.add_sheet(u'Sheet1', cell_overwrite_ok=True) #将首行的首列设为song_name sheet1.write(0, 0, '歌曲名') r = 1 #r为row(行) for temp in data: sheet1.write(r, 0, temp) r += 1 #保存文件到给定的save_url book.save(saveurl) print(f'写入文件成功,地址为{saveurl}')
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？
1.经过对主题数据的分析与可视化，可以得到哪些结论？
通过对主体数据的提取分析，可以清楚地知道歌手陈奕迅自出道以来大部分的曲目专辑，一目了然。
2.对本次程序设计任务完成的情况做一个简单的小结。
2.对本次程序设计任务完成的情况做一个简单的小结。
通过对数据的爬取，基本掌握了来龙去脉。但是在进行具体的数据清洗时有些不够熟练，希望可以更深入地掌握。
