【爬虫案例】动态地图里的数据如何抓取：以全国PPP综合信息平台网站为例 http://mp.weixin.qq.com/s/BXWTf5hmq8vp91ZvgaphEw
【爬虫案例】动态页面的抓取！以东方财富网基金行情数据为例 http://mp.weixin.qq.com/s/bbw5caz4EfJn5mwbDMVfuQ
【爬虫案例】获取历史天气数据 http://mp.weixin.qq.com/s/MlqJUuH0JjTujMzGJp_7kw
【爬虫案例】电影票房数据抓取 https://mp.weixin.qq.com/s/UgH53P86Y0nfY-67EDQ8wA
#####http://www.lishi.tianqi.com/yangzhong/201407.html
#####http://lishi.tianqi.com/yangzhong/201407.html
#####www.cbooo.cn/year?year=2016
#####www.cpppc.org:8082/efmisweb/ppp/projectLibrary/toPPPMap.do
#####fundact.eastmoney.com/banner/gp.html?from=groupmessage&isappinstalled=0
#
#http://lishi.tianqi.com/yangzhong/201407.html
##################################################################
##############爬取票房纪要
#####www.cbooo.cn/year?year=2016
1、确认搜的票房数据在代码里(Ctrl+F搜索出来)搜索关键字:如"美人鱼",是否在页面上
2、模板(对于数据在页面上适用)：获取页面/解析网页
3、找到数据在哪?定位数据首选用id定位
4、返回列表的话找对应的项
#########采用解析器:'lxml',解析页面;也可以用html.parse解析器
分析数据在哪个框里面,这是一个table,定位方式首选用id定位
soup.find_all 找到所有table,限制条件为id=tbContent
里面每一个tr代表一行,一个电影即为一行,找到所有tr标签
td表示当中的每一个单元,找出当中第一个中的a标签中的title属性即为需要的电影名称
dd与dl是现在很少用的标签,表示为定义式,有点类似于字典
import requests ############获取页面
from bs4 import BeautifulSoup ############解析网页
year=2017
url='http://www.cbooo.cn/year?year='+str(year)
rawhtml=requests.get(url).content
print(type(rawhtml))
soup=BeautifulSoup(rawhtml,'lxml') #########采用解析器:'lxml',解析页面;也可以用html.parse解析器
###soup.select('dl.dltext dd')
###有快捷的方式:能把所有标签去掉,soup.select('dl.dltext dd')[0].get_text()
def getYear(year):
#year=2017
url='http://www.cbooo.cn/year?year='+str(year)
rawhtml=requests.get(url).content
#print(type(rawhtml))
soup=BeautifulSoup(rawhtml,'lxml') #########采用解析器:'lxml',解析页面;也可以用html.parse解析器
#print(type(soup))
return soup
def getInfo(url):
rawhtml=requests.get(url).content
soup=BeautifulSoup(rawhtml,'lxml')
return soup
print(type(soup))
movies_table=soup.find_all('table',{'id':"tbContent"})[0] ####用find_all()方法,通过table标签,加上字典参数,属性为id=tbContent
movies=movies_table.find_all('tr')
moviename=[movie.find_all('td')[0].a.get('title') for movie in movies[1:]]
movielink=[movie.find_all('td')[0].a.get('href') for movie in movies[1:]]
movietype=[movie.find_all('td')[1].string for movie in movies[1:]]
movieboxoffice =[int(movie.find_all('td')[2].string) for movie in movies[1:]]
#moviedirector=[getInfo(url).find_all('dl',{'class':'dltext'})[0].find_all('dd')[0].a.get('title') for url in movielink]
moviedirector=[getInfo(url).select('dl.dltext dd')[0].get_text() for url in movielink]
############转成数据框&统计分析
import pandas as pd
df=pd.DataFrame({'names':moviename,'types':movietype,'boxoffice':movieboxoffice,'link':movielink,'directors':moviedirector})
import numpy as np
df.groupby('types').agg({'boxoffice':["count","mean"]})
#############写到文件中
df.to_csv(r'C:\Users\Administrator\Desktop\电影.csv')
标签是div,div在html中意思为一个块集
确认html页面真的存在代码中
确认数据在代码中,即好爬,如果不在代码中,用js进行渲染,即不好爬
再看有没有翻页,没有翻页,即OK
这里以一个电影评分的网站为例,介绍数据抓取的基本流程和方法。
标准配置：
--requests:抓取网址的HTML内容
--BeautifulSoup:解析HTML源码,提供方便的查询接口
--re:正则表达式,通过描述规则从字符中提取需要的数据
(这里不作介绍)
import requests ########获取页面
from bs4 import BeautifulSoup #######解析网页
url='http://www.cbooo.cn/year?year=2016'
rawhtml=requests.get(url).content #######获取内容
##################################################################
##############爬取天气纪要
###############http://www.tianqihoubao.com/weather/top/shenzhen.html
##############数据抓取：
##############某些情况下需要从网络抓取数据,比如舆情监控需要抓取相关的新闻内容;
##############判断天气原因是否对超市的销量有影响时,除了已有的销量数据外还需要从
##############网络抓取每日的天气数据
1、下载的url数据
2、在谷歌浏览器右键:检查,找到每一行数据在不在网页代码中,找到整个下载数据是个table,tblite_go
3、一页一页加载时,发现问题：网址未发生变化,没有刷新
1)打开network,点击每一页时发现Request URL不一致,此时表明为异步加载;
2)将不同页的链接复制出来,查看区别;
3)找到规律,将链接查看,即对应数据;
4)由于r.content为乱码,r.text为中文格式;
5)解析;
6)每一页写入;
import requests ############获取页面
from bs4 import BeautifulSoup ############解析网页
url='http://www.tianqihoubao.com/weather/top/shenzhen.html'
rawhtml=requests.get(url).content
weatherhtml=BeautifulSoup(rawhtml,'lxml')
dateset=[weather.find_all('td')[1].b.a.string for weather in weatherhtml.find_all('table')[0].find_all('tr')[2:]]
dayweatherset=[weather.find_all('td')[2].string for weather in weatherhtml.find_all('table')[0].find_all('tr')[2:]]
daywindset=[weather.find_all('td')[3].string for weather in weatherhtml.find_all('table')[0].find_all('tr')[2:]]
daytempset=[weather.find_all('td')[4].string for weather in weatherhtml.find_all('table')[0].find_all('tr')[2:]]
nightweatherset=[weather.find_all('td')[5].string for weather in weatherhtml.find_all('table')[0].find_all('tr')[2:]]
nightwindset=[weather.find_all('td')[6].string for weather in weatherhtml.find_all('table')[0].find_all('tr')[2:]]
nighttempset=[weather.find_all('td')[7].string for weather in weatherhtml.find_all('table')[0].find_all('tr')[2:]]
import pandas as pd
df=pd.DataFrame({'日期':dateset,'白天天气':dayweatherset,'白天风向':daywindset,'白天温度':daytempset,'晚上天气':nightweatherset,'晚上风向':nightwindset,'晚上温度':nighttempset})
import numpy as np
df.to_csv(r'C:\Users\Administrator\Desktop\天气.csv')