爬取2020搜狗最新热门游戏榜单并实现可视化
一.主题式网络主题式网络爬虫设计方案
1.爬虫名称：爬取搜狗最新热门游戏榜
2.爬取内容：游戏搜索指度排名及游戏名称；
3.网络爬虫设计方案概述：
思路：
①确定网页爬取内容。
②查看选取内容的网页源代码 ，找到关键内容的索引，提取关键信息。
③导入第三方库，爬取内容。
④对内容进行分析,绘制图形方程，以及可视化处理。
难点：可视化处理如何更具有直观性，如何快速处理爬取内容使内容简要。
二、主题页面的结构特征分析
1.主题页面的结构与特征分析
该页面是由游戏名，游戏介绍及游戏搜索指数整合而成的排行榜，该网站源代码中包含数个总标签，分析并提取总标签，即可爬取所需内容。
2.Htmls页面解析
进入需爬取页面：http://top.sogou.com/game/quanbu_1.html（搜狗热门游戏榜单）：
利用浏览器插件进入源代码界面（如下所示）：
3.节点（标签）查找方法与遍历方法
分析源代码界面，利用ctrl+u查找所需标签，如该源代码所需标签为(class_="p1")和(class_="s3")。
三、网络爬虫程序设计：
1.数据爬取与采集
import requests import pandas as pd import matplotlib.pyplot as plt import matplotlib from bs4 import BeautifulSoup from pandas import DataFrame from urllib.request import urlopen url="http://top.sogou.com/game/quanbu_1.html" headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)Chrome/69.0.3497.100 Safari/537.36'} def getHTMLText(url,timeout=30): try: r=requests.get(url,timeout=30) r.raise_for_status() r.encoding=r.apparent_encoding return r.text except: return'产生异常' r=requests.get(url) r.encoding=r.apparent_encoding html = r.text soup = BeautifulSoup(html,'lxml') title=[] heat=[] for n in soup.find_all(class_="rk"): heat.append(n.get_text().strip()) for m in soup.find_all(class_="p1"): title.append(m.get_text().strip()) for n in soup.find_all(class_="s3"): heat.append(n.get_text().strip()) data=[rank,title,heat] print(data) a=pd.DataFrame(data,index=["排名","标题","热度"]) print(a.T)
2.对数据进行清洗和处理
import re import string def cleanInput(input): input = re.sub('\n'," ",input) input = re.sub(' +'," ",input) input = bytes(input,'UTF-8') #转化为utf-8编码格式以消除转义字符 input = input.decode("ascii", "ignore") cleanInput = [] input = input.split(' ') for item in input: item = item.strip(string.punctuation) #删除标点符号 if len(item)>1 or (item.lower() == 'a' or item.lower()=='i'): cleanInput.append(item) return cleanInput def ngrams(input,n): input = cleanInput(input) output = [] for i in range(len(input)-n+1): output.append(input[i:i+n]) return output
3.数据分析与可视化
# 绘制柱状图 plt.bar(df.排名, df.热度, label="排名热度分析柱状图") plt.show()
4.根据数据之间的关系，分析两个变量之间的相关系数，画出散点图，并建立变量之间的回归方程（一元或多元）
def main(): colnames = ["排名", "标题", "热度"] df = pd.read_excel('C:\Users\Administrator\Deskto\python作业.xlsx',skiprows=1,names=colnames) X = df.排名 Y = df.热度 def fit_func(p, x): k, b = p return k * x + b def error_func(p, x, y): return fit_func(p,x)-y p0=[0,0] Para=leastsq(error_func, p0, args = (X, Y)) k,b=Para[0] print("k=",k,"b=",b) plt.figure(figsize=(10,5))#图像尺寸 plt.scatter(X,Y,color="green",label=u"得分分布",linewidth=2) x=np.linspace(0,40,20) y=k*x+b plt.plot(x,y,color="red",label=u"回归方程直线",linewidth=2) plt.title("游戏热度与排名关系图") plt.xlabel('排名') plt.ylabel('热度') plt.legend(loc=3,prop=chinese)#绘制图例 plt.show() main()
5.数据持久化
import scrapy class Spider(scrapy.Spider): name = 'paihangbangi' allowed_domains = ['http://top.sogou.com/game/quanbu_1.html'] start_urls = ['http://top.sogou.com/game/quanbu_1.html'] def parse(self, response): #将xpath表达式直接作用于该函数中 odiv = response.xpath('//div[@id="content-left"]/div') content_list = [] #用于存储解析到的数据 for div in odiv: author = div.xpath('.//div[@class="p1"]/a/h2/text()')[0].extract() content=div.xpath('.//div[@class="s3"]/span/text()')[0].extract() #将解析到的内容封装到字典中 dic={'标题':author,'热度':content} #将数据存储到content_list这个列表中 content_list.append(dic) return content_list
6.将以上各部分的代码汇总，附上完整程序代码
import requests import pandas as pd import matplotlib.pyplot as plt import matplotlib from bs4 import BeautifulSoup from pandas import DataFrame from urllib.request import urlopen url="http://top.sogou.com/game/quanbu_1.html" headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)Chrome/69.0.3497.100 Safari/537.36'} def getHTMLText(url,timeout=30): try: r=requests.get(url,timeout=30) r.raise_for_status() r.encoding=r.apparent_encoding return r.text except: return'产生异常' r=requests.get(url) r.encoding=r.apparent_encoding html = r.text soup = BeautifulSoup(html,'lxml') title=[] heat=[] for n in soup.find_all(class_="rk"): heat.append(n.get_text().strip()) for m in soup.find_all(class_="p1"): title.append(m.get_text().strip()) for n in soup.find_all(class_="s3"): heat.append(n.get_text().strip()) data=[rank,title,heat] print(data) a=pd.DataFrame(data,index=["排名","标题","热度"]) print(a.T) import re import string def cleanInput(input): input = re.sub('\n'," ",input) input = re.sub(' +'," ",input) input = bytes(input,'UTF-8') #转化为utf-8编码格式以消除转义字符 input = input.decode("ascii", "ignore") cleanInput = [] input = input.split(' ') for item in input: item = item.strip(string.punctuation) #删除标点符号 if len(item)>1 or (item.lower() == 'a' or item.lower()=='i'): cleanInput.append(item) return cleanInput def ngrams(input,n): input = cleanInput(input) output = [] for i in range(len(input)-n+1): output.append(input[i:i+n]) return output # 绘制柱状图 plt.bar(df.排名, df.热度, label="排名热度分析柱状图") plt.show() def main(): colnames = ["排名", "标题", "热度"] df = pd.read_excel('C:\Users\Administrator\Deskto\python作业.xlsx',skiprows=1,names=colnames) X = df.排名 Y = df.热度 def fit_func(p, x): k, b = p return k * x + b def error_func(p, x, y): return fit_func(p,x)-y p0=[0,0] Para=leastsq(error_func, p0, args = (X, Y)) k,b=Para[0] print("k=",k,"b=",b) plt.figure(figsize=(10,5))#图像尺寸 plt.scatter(X,Y,color="green",label=u"得分分布",linewidth=2) x=np.linspace(0,40,20) y=k*x+b plt.plot(x,y,color="red",label=u"回归方程直线",linewidth=2) plt.title("游戏热度与排名关系图") plt.xlabel('排名') plt.ylabel('热度') plt.legend(loc=3,prop=chinese)#绘制图例 plt.show() main() import scrapy class Spider(scrapy.Spider): name = 'paihangbangi' allowed_domains = ['http://top.sogou.com/game/quanbu_1.html'] start_urls = ['http://top.sogou.com/game/quanbu_1.html'] def parse(self, response): #将xpath表达式直接作用于该函数中 odiv = response.xpath('//div[@id="content-left"]/div') content_list = [] #用于存储解析到的数据 for div in odiv: author = div.xpath('.//div[@class="p1"]/a/h2/text()')[0].extract() content=div.xpath('.//div[@class="s3"]/span/text()')[0].extract() #将解析到的内容封装到字典中 dic={'标题':author,'热度':content} #将数据存储到content_list这个列表中 content_list.append(dic) return content_list
四、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？
①经过数据分析和可视化，可以更为直观了解排行榜动向。
②通过对数据的整理，可以使冗杂的数据更加直观明了。
③数据在进行分析整理后，可更方便的投入二次利用。
2.对本次程序设计任务完成的情况做一个简单的小结。
①作业难度较大，但是积累了很多实用经验，也让我了解到python在数据处理方面的实用性。
②要想更好的完成程序任务，还需要更多的练习更多的尝试。
