Python爬虫使用实例

镜花照无眠2024-08-17 12:05

IDE：大部分是在PyCharm上面写的

解释器装的多 → 环境错乱 → error：没有配置，no model

  • 爬虫可以做什么？

下载数据【文本/二进制数据（视频、音频、图片）】、自动化脚本【自动抢票、答题、采数据、评论、点赞】

  • 爬虫的原理？

通过模拟/控制浏览器（客户端）批量的向服务器请求数据

  • 完成一个完整的爬虫需要的步骤？

获取资源 -- 发送请求 -- 数据解析 -- 保存数据

  • 开发者工具 抓包

Headers 头部信息、数据包请求地址、请求方法、响应头、请求头
Cookie 用户身份标识
Host 客户端指定想访问的域名地址
Origin 资源在服务器的起始位置
Pragma 请求地址的查看参数
Referer 防盗链告诉服务器我是从哪个网页跳转过来的
User-agent 浏览器身份标识
Payload 查看参数、请求参数
Preview 预览服务器数据
Response 响应/回答

有花括号{}的 半结构化数据 json数据 前后端数据交互常用

驼峰命名法 AaBb大驼峰 a_b小驼峰

以下是几个爬虫实例：

1. 豆瓣电影

BV1NY411b7PR

🥝 实现步骤

step： 明确需求 → 发送请求 → 获取数据 → 解析数据（re正则表达式、css选择器、xpath） → 保存数据

🥝 实现代码

实现代码：

python 复制代码 
import requests # 数据请求模块
import parsel # 数据解析模块
import csv # 保存表格数据

# f=open('douban.csv',mode='w',encoding='utf-8',newline='') # 中文乱码
f=open('douban.csv',mode='w',encoding='utf-8-sig',newline='')

csv_writer =csv.DictWriter(f,fieldnames=[
    '电影名字',
    '详情页',
    #'导演',
    #'主演',
    '演员',
    '年份',
    '国家',
    '电影类型',
    '评分',
    '评论人数',
    '概述',
])
csv_writer.writeheader()
for page in range(0,250,25):
    # url = 'https://movie.douban.com/top250'
    url =f'https://movie.douban.com/top250?start={page}&filter='
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36'
    }
    response = requests.get(url=url, headers=headers)
    # print(response.text)
    selector = parsel.Selector(response.text)
    lis = selector.css('.grid_view li')  # css选择器
    # selector.xpath('//*[@class="grid_view"]/li') # xpath
    for li in lis:
        # span:nth-child(1) 组合选择器，选择第几个span标签
        # text 获取标签的文本数据
        title = li.css('.hd a span:nth-child(1)::text').get()  # 标题
        href = li.css('.hd a::attr(href)').get()  # 详情页
        # li.xpath('//*[@class="hd"]/a/span(1)/text()').get()
        info = li.css('.bd p::text').getall()
        actor = info[0].strip().split('主演：')  # strip()去字符串两端的空格，split字符串分割
        # director=actor[0].replace('导演：','').strip()
        # performer=actor[0].replace('...','').replace('/','').strip()
        actors = actor[0].replace('...', '').replace('/', '').strip()  # 演员，导演+主演
        others = info[1].strip().split('/')
        year = others[0].strip()  # 年份
        country = others[1].strip()  # 城市
        type = others[2].strip()  # 类型
        scores = li.css('.star span:nth-child(2)::text').get()  # 评分
        #comment = li.css('.star span:nth-child(4)::text').get()  # 评价人数
        comment = li.css('.star span:nth-child(4)::text').get().replace('人评价', '')  # 评价人数
        overview = li.css('.inq::text').get()  # 概述
        # print(title,actor,others)
        # print(director,performer,year,country,type)
        dit={
            '电影名字':title,
            '详情页':href,
            '演员':actors,
            #'导演':director,
            #'主演':performer,
            '年份':year,
            '国家':country,
            '电影类型':type,
            '评分':scores,
            '评论人数':comment,
            '概述':overview,
        }
        csv_writer.writerow(dit)
        print(title, href, actors, year, country, type, scores, comment, overview, sep=' | ')

🥝 部分参数

部分参数来源：

🥝 运行效果

部分效果：


🥝 乱码问题

中文乱码问题的解决：

乱码的效果就是它除了数字就全是问号？？？，哈哈哈哈。🤣

python 复制代码 
# f=open('douban.csv',mode='w',encoding='utf-8',newline='') # 中文乱码
f=open('douban.csv',mode='w',encoding='utf-8-sig',newline='')

2. 酷狗榜单

BV1ZU4y1B7yY

🥝 实现步骤

step： 发送请求 → 获取数据 → 解析数据

🥝 单个榜单

python 复制代码 
# pip Install requests
# 导入数据请求模块
import requests
# 导入正则模块，re是内置的，不需要安装
# 在Python中需要通过正则表达式对字符串进⾏匹配的时候，可以使⽤⼀个python自带的模块，名字为re。
import re
# 确定请求地址
url='https://www.kugou.com/yy/html/rank.html'
# 模拟伪装 headers 请求头 <-- 开发者工具里面进行复制粘贴
headers={'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.139 Safari/537.36'}
# 发送请求
response = requests.get(url=url,headers=headers)
# print(response)
# <Response [200]> //整体是一个响应对象，200 状态码表示请求成功
#（仅仅表示请求成功，不一定得到想要的数据）
# 获取数据，获取服务器返回响应数据 response.text 获取响应文本数据
# print(response.text)
# 解析数据
Hash_list = re.findall('"Hash":"(.*?)",', response.text)
album_id_list = re.findall('"album_id":(.*?),', response.text)
#print(Hash_list)
#print(album_id_list)
# for循环遍历 把列表里面元素一个一个提取出来
for Hash, album_id in zip(Hash_list, album_id_list):
    # print(Hash,album_id)
    link = 'https://wwwapi.kugou.com/yy/index.php'
    # 请求参数
    data = {
        'r': 'play/getdata',
        # 'callback':'jQuery191022953264396493434_1663671714341',
        'hash': Hash,
        'dfid': '4FII5w3ArJSc0dPjmR1DFIit',
        'appid': '1014',
        'mid': ' 8c6815fe99744abfea7f557377764693',
        'platid': '4',
        'album_id': album_id,
        # 'album_audio_id': '39933554',
        '_': '1663671714343',
    }
    music_data = requests.get(url=link, params=data, headers=headers).json()
    # music_data = requests.get(url=link, params=data, headers=headers).text
    audio_name=music_data['data']['audio_name']
    audio_url = music_data['data']['play_url']
    # print(music_data)
    print(audio_name,':',audio_url)
    # 保存数据
    audio_content = requests.get(url=audio_url, headers=headers).content
    with open('music\\'+audio_name+'.mp3',mode='wb') as f:
        f.write(audio_content)

获取请求地址：

请求头：
'user-agent': ' Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.139 Safari/537.36' 表示浏览器基本身份标识

第九行代码要注意，如果引号写错了可能报错：

AttributeError: 'set' object has no attribute 'items'

错误写法一：

python 复制代码 
headers={'user-agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.139 Safari/537.36'}

headers是字典数据类型，不是集合set。{' '}是集合；{' ':' '}是字典

InvalidHeader: Invalid leading whitespace, reserved character(s), or returncharacter(s) in header value: ' Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.139 Safari/537.36'

错误写法二：

python 复制代码 
headers={'user-agent': ' Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.139 Safari/537.36'}

多了个空格，小错误要注意。

re模块findall方法

re.findall() →找到所有我们想要的数据内容

解析的时候，hash、album

比较长，一次不好截，


错位❌写法：

python 复制代码 
music_data = requests.get(url=link, params=data, headers=headers).json()

requests.exceptions.JSONDecodeError: Expecting value: line 1 column 1 (char 0)

不是json格式，多了一部分，把callback删掉可以，或者用text

response.json →获取json字典数据

取歌曲名字和url

with open('music\\'+audio_name+'.mp3') as f:

FileNotFoundError: [Errno 2] No such file or directory: 'music\李玖哲 - 解脱.mp3'

文件夹不存在（music），即使music文件夹已在，仍报错，可以改成：

with open('music\\'+audio_name+'.mp3',mode='wb') as f:

效果

🥝 多个榜单

python 复制代码 
import requests
import re

url='https://www.kugou.com/yy/html/rank.html'
headers={'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.139 Safari/537.36'}
response = requests.get(url=url,headers=headers)
#print(response.text)
music_list = re.findall('<a title="(.*?)" .*? hidefocus="true" href="(.*?)">', response.text)[1:]

# print(music_list)
# 从第几个开始爬，3（切片）
# for title,index in music_list[3:]:
for title,index in music_list:
    print(title)
    # url = 'https://www.kugou.com/yy/html/rank.html'
    # 模拟伪装 headers 请求头 <-- 开发者工具里面进行复制粘贴
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.139 Safari/537.36'}
    # 发送请求
    response = requests.get(url=index, headers=headers)
    # print(response)
    # <Response [200]> //整体是一个响应对象，200 状态码表示请求成功
    # （仅仅表示请求成功，不一定得到想要的数据）
    # 获取数据，获取服务器返回响应数据 response.text 获取响应文本数据
    Hash_list = re.findall('"Hash":"(.*?)",', response.text)
    album_id_list = re.findall('"album_id":(.*?),', response.text)
    # print(Hash_list)
    # print(album_id_list)
    # for循环遍历 把列表里面元素一个一个提取出来
    for Hash, album_id in zip(Hash_list, album_id_list):
        # print(Hash,album_id)
        link = 'https://wwwapi.kugou.com/yy/index.php'
        # 请求参数
        data = {
            'r': 'play/getdata',
            # 'callback':'jQuery191022953264396493434_1663671714341',
            'hash': Hash,
            'dfid': '4FII5w3ArJSc0dPjmR1DFIit',
            'appid': '1014',
            'mid': ' 8c6815fe99744abfea7f557377764693',
            'platid': '4',
            'album_id': album_id,
            # 'album_audio_id': '39933554',
            '_': '1663671714343',
        }
        music_data = requests.get(url=link, params=data, headers=headers).json()
        # music_data = requests.get(url=link, params=data, headers=headers).text
        audio_name = music_data['data']['audio_name']
        audio_name = re.sub(r'[\/:*?"<>|]','',audio_name)
        audio_url = music_data['data']['play_url']
        if audio_url:
            # print(music_data)
            print(audio_name, ':', audio_url)
            # 保存数据
            audio_content = requests.get(url=audio_url, headers=headers).content
            with open('music\\' + audio_name + '.mp3', mode='wb') as f:
                f.write(audio_content)


第一个不要，做个切片

第一个网址打开是这样的

music_list = re.findall('<a title="(.*?)" hidefocus="true" href="(.*?)"', response.text)[1:]

requests.exceptions.MissingSchema: Invalid URL '': No scheme supplied. Perhaps you meant http://?

报错位置

请求链接🔗不对，无法下载，改代码，让他直接跳过

OSError: [Errno 22] Invalid argument: 'music\Stingray、Backstreet Boys - I Want It That Way (In the Style of Backstreet Boys|Karaoke Version).mp3'

特殊字符 → windows系统文件名不能包含

re.sub(r'[\/:*?"<>|]','',audio_name)

能跳过，但是有重复，就很怪

python 复制代码 
import requests
import re

url='https://www.kugou.com/yy/html/rank.html'
headers={'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.139 Safari/537.36'}
response = requests.get(url=url,headers=headers)
#print(response.text)
music_list = re.findall('<a title="(.*?)" .*? hidefocus="true" href="(.*?)">', response.text)[1:]

# print(music_list)
# 从第4个开始爬，3（切片）,0开始
# for title,index in music_list[3:]:
for title,index in music_list:
    print(title)
    # url = 'https://www.kugou.com/yy/html/rank.html'
    # 模拟伪装 headers 请求头 <-- 开发者工具里面进行复制粘贴
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.139 Safari/537.36'}
    # 发送请求
    response = requests.get(url=index, headers=headers)
    # print(response)
    # <Response [200]> //整体是一个响应对象，200 状态码表示请求成功
    # （仅仅表示请求成功，不一定得到想要的数据）
    # 获取数据，获取服务器返回响应数据 response.text 获取响应文本数据
    Hash_list = re.findall('"Hash":"(.*?)",', response.text)
    album_id_list = re.findall('"album_id":(.*?),', response.text)
    # print(Hash_list)
    # print(album_id_list)
    # for循环遍历 把列表里面元素一个一个提取出来
    for Hash, album_id in zip(Hash_list, album_id_list):
        # print(Hash,album_id)
        link = 'https://wwwapi.kugou.com/yy/index.php'
        # 请求参数
        data = {
            'r': 'play/getdata',
            # 'callback':'jQuery191022953264396493434_1663671714341',
            'hash': Hash,
            'dfid': '4FII5w3ArJSc0dPjmR1DFIit',
            'appid': '1014',
            'mid': ' 8c6815fe99744abfea7f557377764693',
            'platid': '4',
            'album_id': album_id,
            # 'album_audio_id': '39933554',
            '_': '1663671714343',
        }
        music_data = requests.get(url=link, params=data, headers=headers).json()
        # music_data = requests.get(url=link, params=data, headers=headers).text
        try:
            audio_name = music_data['data']['audio_name']
            audio_name = re.sub(r'[\/:*?"<>|]', '', audio_name)
            audio_url = music_data['data']['play_url']
        except Exception as KeyError:
            print("skip this music，becuuse it cannot play")
        if audio_url:
            print(audio_name, ':', audio_url)
            # 保存数据
            audio_content = requests.get(url=audio_url, headers=headers).content
            with open('music\\' + audio_name + '.mp3', mode='wb') as f:
                f.write(audio_content)

🥝 完善版本

python 复制代码 
import requests
import re

url='https://www.kugou.com/yy/html/rank.html'
headers={'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.139 Safari/537.36'}
response = requests.get(url=url,headers=headers)
#print(response.text)
music_list = re.findall('<a title="(.*?)" .*? hidefocus="true" href="(.*?)">', response.text)[1:]

# print(music_list)
# 从第4个开始爬，3（切片）,0开始
# for title,index in music_list[3:]:
for title,index in music_list:
    print(title)
    # url = 'https://www.kugou.com/yy/html/rank.html'
    # 模拟伪装 headers 请求头 <-- 开发者工具里面进行复制粘贴
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.139 Safari/537.36'}
    # 发送请求
    response = requests.get(url=index, headers=headers)
    # print(response)
    # <Response [200]> //整体是一个响应对象，200 状态码表示请求成功
    # （仅仅表示请求成功，不一定得到想要的数据）
    # 获取数据，获取服务器返回响应数据 response.text 获取响应文本数据
    Hash_list = re.findall('"Hash":"(.*?)",', response.text)
    album_id_list = re.findall('"album_id":(.*?),', response.text)
    # print(Hash_list)
    # print(album_id_list)
    # for循环遍历 把列表里面元素一个一个提取出来
    for Hash, album_id in zip(Hash_list, album_id_list):
        # print(Hash,album_id)
        link = 'https://wwwapi.kugou.com/yy/index.php'
        # 请求参数
        data = {
            'r': 'play/getdata',
            # 'callback':'jQuery191022953264396493434_1663671714341',
            'hash': Hash,
            'dfid': '4FII5w3ArJSc0dPjmR1DFIit',
            'appid': '1014',
            'mid': ' 8c6815fe99744abfea7f557377764693',
            'platid': '4',
            'album_id': album_id,
            # 'album_audio_id': '39933554',
            '_': '1663671714343',
        }
        music_data = requests.get(url=link, params=data, headers=headers).json()
        # music_data = requests.get(url=link, params=data, headers=headers).text
        try:
            audio_name = music_data['data']['audio_name']
            audio_name = re.sub(r'[\/:*?"<>|]', '', audio_name)
            audio_url = music_data['data']['play_url']
            if audio_url:
                print(audio_name, ':', audio_url)
                # 保存数据
                audio_content = requests.get(url=audio_url, headers=headers).content
                with open('music\\' + audio_name + '.mp3', mode='wb') as f:
                    f.write(audio_content)
        except Exception as KeyError:
            pass

try-except的妙用，直接跳过一些错误/null的歌曲，比之前的多榜代码好一些。

3. 千千音乐

查单曲的params

python 复制代码 
# 千千音乐
import requests
import time
import hashlib

url='https://music.91q.com/v1/song/tracklink'

# 要其他歌曲修改这个params就可以了
params={
'sign': 'aeb1fc52109d5dd518d02f4548936a0b',
'TSID': 'T10045980539',
'appid': 16073360,# 不变
'timestamp':1658711978,
}

headers={
'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36'}

response=requests.get(url=url,params=params,headers=headers)

music_url=response.json()['data']['path']
music_title=response.json()['data']['title']
music_singer=response.json()['data']['artist'][0]['name']
print(music_title,music_singer,music_url)

4. 微博热搜

python 复制代码 
# pip install lxml
# 微博热搜
import requests
from lxml import etree
import time
url='https://s.weibo.com/top/summary?Refer=top_hot&topnav=1&wvr='
header={'cookie':"SINAGLOBAL=7254774839451.836.1628626364688; SUB=_2AkMWR_ROf8NxqwJRmf8cymjraIt-ygDEieKgGwWVJRMxHRl-yT9jqmUgtRB6PcfaoQpx1lJ1uirGAtLgm7UgNIYfEEnw; SUBP=0033WrSXqPxfM72-Ws9jqgMF55529P9D9WWEs5v92H1qMCCxQX.d-5iG; UOR=,,www.baidu.com; _s_tentry=-; Apache=1090953026415.7019.1632559647541; ULV=1632559647546:8:4:2:1090953026415.7019.1632559647541:1632110419050; WBtopGlobal_register_version=2021092517; WBStorage=6ff1c79b|undefined",
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36'}
resp = requests.get (url,headers=header)
resp1 = resp.content.decode(encoding='utf-8',errors='ignore')
resp2=etree.HTML(resp1)
title = resp2.xpath('//*[@id="pl_top_realtimehot"]/table/tbody/tr/td/a/text()')
print(time.strftime("%F,%R")+'微博热搜：')
for i in range(51):
    print (f'{i} '+''.join([title[i]]))
time.sleep(1)

后面还有很多，截图未完，但效果大概就是这样子的

5. 当当榜单

🥝 书籍数据

python 复制代码 
# 导入数据请求模块
import requests
# 导入数据解析模块
import parsel
# 导入csv模块 ---> 内置模块 不需要安装
import csv

# 创建文件
f = open('书籍data25页.csv', mode='a', encoding='utf-8', newline='')
# f文件对象 fieldnames 字段名 ---> 表格第一行 作为表头
csv_writer = csv.DictWriter(f, fieldnames=['标题','评论','推荐',\
                                           '作者','日期','出版社','售价',\
                                           '原价','折扣','电子书','详情页',])
# 写入表头
csv_writer.writeheader()
"""
1. 发送请求, 模拟浏览器对于url发送请求
    - 等号左边是定义变量名
    - 模拟浏览器 ---> 请求头
        headers ---> 在开发者工具里面复制粘贴 字典数据类型
        一种简单反反爬手段, 防止被服务器识别出来是爬虫程序
    - 使用什么请求方式, 根据开发者工具来的
"""
for page in range(1, 26): #  1,26 是取1-25的数字, 不包含26
    # 确定请求网址
    url = f'http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-recent7-0-0-1-{page}'
    # 模拟浏览器 ---> 请求头
    headers = {
        # User-Agent 用户代理 表示浏览器基本身份标识
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36'
    }
    # 发送请求 返回的响应对象 ---> <Response [200]>: <> 表示对象  response 响应回复  200状态码 表示请求成功
    response = requests.get(url=url, headers=headers)
    print(response)
    # 2. 获取数据, 获取服务器返回响应数据 ---> 开发者工具里面 response  print(response.text)
    """
    3. 解析数据, 提取我们想要数据内容, 书籍基本信息
    根据得到数据类型以及我们想要数据内容, 选择最适合解析方法:
        - re正则表达式
        - css选择器
        - xpath
    xpath --->  根据标签节点提取数据
    css选择器 ---> 根据标签属性提取数据内容
        css语法匹配  不会 1  会的 2
        复制粘贴会不会 ---> ctrl + C  ctrl + v
    """
    # 转数据类型 <Selector xpath=None data='<html xmlns="http://www.w3.org/1999/x...'>
    selector = parsel.Selector(response.text)
    # 第一次提取 提取所有li标签 --> 返回列表, 元素Selector对象
    lis = selector.css('.bang_list_mode li')
    # for循环遍历 之后进行二次提取 我们想要内容
    for li in lis:
        """
        attr() 属性选择器 
        a::attr(title) ---> 获取a标签里面title属性
        get() 获取一个 第一个 
        """
        title = li.css('.name a::attr(title)').get()  # 标题
        star = li.css('.star a::text').get().replace('条评论', '')  # 评论
        recommend = li.css('.tuijian::text').get().replace('推荐', '')  # 推荐
        author = li.css('.publisher_info a::attr(title)').get()  # 作者
        date = li.css('.publisher_info span::text').get()  # 日期
        press = li.css('div:nth-child(6) a::text').get()  # 出版社
        price_n = li.css('.price .price_n::text').get()  # 售价
        price_r = li.css('.price .price_r::text').get()  # 原价
        price_s = li.css('.price .price_s::text').get().replace('折', '')  # 折扣
        price_e = li.css('.price .price_e .price_n::text').get()  # 电子书
        href = li.css('.name a::attr(href)').get()  # 详情页
        # 保存数据
        #源码、解答、教程加Q裙：261823976
        dit = {'标题': title,'评论': star,'推荐': recommend,'作者': author,\
               '日期': date,'出版社': press,'售价': price_n,'原价': price_r,\
               '折扣': price_s,'电子书': price_e,'详情页': href,}
        # 写入数据
        csv_writer.writerow(dit)
        print(title, star, recommend, author, date, press, price_n, price_r, price_s, price_e, href, sep=' | ')

🥝 获取评论

短评

长评

一开始能用，后来报错，就用扣钉重新运行了一下，可以。

raise RequestsJSONDecodeError(e.msg, e.doc, e.pos)
requests.exceptions.JSONDecodeError: Expecting value: line 1 column 1 (char 0)

python 复制代码 
# 导入数据请求模块
import time
import requests
import re
for page in range(1, 11): # 第1-第10页的评论
    time.sleep(1.5)
    # 确定网址
    url = 'http://product.dangdang.com/index.php'
    # 请求参数
    data = {
        'r': 'comment/list',
        'productId': '27898031',
        #'productId': '25201859', # 《钝感力》
        'categoryPath': '01.43.77.07.00.00',
        'mainProductId': '27898031',
        #'mainProductId': '25201859',
        'mediumId': '0',
        'pageIndex': page,
        'sortType': '1',
        'filterType': '1',
        'isSystem': '1',
        'tagId': '0',
        'tagFilterCount': '0',
        'template': 'publish',
        'long_or_short': 'short',# 短评
    }
    headers = {
        'Cookie': '__permanent_id=20220526142043051185927786403737954; dest_area=country_id%3D9000%26province_id%3D111%26city_id%20%3D0%26district_id%3D0%26town_id%3D0; ddscreen=2; secret_key=f4022441400c500aa79d59edd8918a6e; __visit_id=20220723213635653213297242210260506; __out_refer=; pos_6_start=1658583812022; pos_6_end=1658583812593; __trace_id=20220723214559176959858324136999851; __rpm=p_27898031.comment_body..1658583937494%7Cp_27898031.comment_body..1658583997600',
        'Host': 'product.dangdang.com',
        'Referer': 'http://product.dangdang.com/27898031.html',
        #'Referer': 'http://product.dangdang.com/25201859.html',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36',
    }
    response = requests.get(url=url, params=data, headers=headers)
    html_data = response.json()['data']['list']['html']
    content_list = re.findall("<span><a href='.*?' target='_blank'>(.*?)</a></span>", html_data)
    for content in content_list:
        with open('评论.txt', mode='a', encoding='utf-8') as f:
            f.write(content)
            f.write('\n')
        print(content)

对一下最后一句评论，对的上。# 《钝感力》最后一句评论是质量挺好，印刷纸质都很好，内容上觉得有道理，又不是很能说服人，个人感受

🥝 词云显示

python 复制代码 
import jieba
import wordcloud
#import imageio
import imageio.v2 as imageio
# 读取图片
py = imageio.imread('python.gif')
# 打开文件
f = open('评论.txt', encoding='utf-8')
# 读取内容
txt = f.read()
# jieba模块进行分词  ---> 列表
txt_list = jieba.lcut(txt)
print(txt_list)
# join把列表合成字符串
string = ' '.join(txt_list)
# 使用词云库
wc = wordcloud.WordCloud(
    height=300,  # 高度
    width=500,  # 宽度
    background_color='white',  # 背景颜色
    font_path='msyh.ttc',  # 字体
    scale=15, # 轮廓
    stopwords={'的', '了', '很', '也'},  # 停用词
    mask=py  # 自定义词云图样式
)
wc.generate(string)  # 需要做词云数据传入进去
wc.to_file('1.png')  # 输入图片

🥝 关于词云

词云：wordcloud

安装：

bash 复制代码 
pip install wordcloud

实现步骤：

读取词云的文本文件 → WordCloud().generate(txt) → to_image()建立词云图像文件 → show()显示词云

用法：

python 复制代码 
# pip install wordcloud
# pip install jieba # 中文-jieba
import wordcloud
import jieba

# 注意把字体导进去，如果用到要写中文要把能显示中文的字体（很多都行）导进去
wd = wordcloud.WordCloud(font_path="A73方正行黑简体.ttf")  # 配置对象参数
txt=' '.join(jieba.cut("wordcloud python 猫咪 但是"))
wd.generate(txt)  # 加载词云文本
wd.to_file("wd.png")


text.txt

txt 复制代码 
text
dog dog dog 
dog dog dog 
fish
cat 
cat
python 复制代码 
# pip install wordcloud
# from wordcloud import WordCloud 后面就用WordCloud
import wordcloud
# 读取文本文件
with open('text.txt') as f:
    txt=f.read()
wd=wordcloud.WordCloud().generate(txt) 
wd.to_image().show() # 建立词云图像文件并显示
wd.to_file("wd.png")

或者，不从外面读，写成字符串

python 复制代码 
# pip install wordcloud
# from wordcloud import WordCloud 后面就用WordCloud
import wordcloud
# 文本
txt="text dog dog dog dog dog dog fish cat cat"
wd=wordcloud.WordCloud().generate(txt) 
wd.to_image().show() # 建立词云图像文件并显示
wd.to_file("wd.png")
乱码问题

词云中文乱码问题

中文词云失败的解决方法jieba

文本文件中有中文，在扣钉中会变框框，在PyCharm中报错。

UnicodeDecodeError: 'gbk' codec can't decode byte 0xab in position 53: incomplete multibyte sequence

解决方法：

python 复制代码 
# pip install wordcloud
# pip install jieba
# from wordcloud import WordCloud 后面就用WordCloud
import wordcloud
import jieba
# 读取文本文件
with open('text.txt',encoding='utf-8') as f:
    txt=f.read()
# generate(txt)根据文本生成词云
wd=wordcloud.WordCloud(font_path="A73方正行黑简体.ttf").generate(txt) 
wd.to_image().show() # 建立词云图像文件并显示
wd.to_file("wd.png") # 输出到文件
jieba模块

jieba模块

安装模块：

bash 复制代码 
pip  install jieba

分词模式：

jieba 是Python中的中文分词库，提供以下三种分词模式：

  1. 精确模式 jieba.lcut(str)
  2. 全模式 jieba.lcut(str,cut_all=True)
  3. 搜索引擎模式 jieba.lcut_for_search(str)
python 复制代码 
import jieba
s = "中国是一个伟大的国家"
print(jieba.lcut(s)) # 精准模式
# 输出结果： ['中国', '是', '一个', '伟大', '的', '国家']
print(jieba.lcut(s,cut_all=True)) # 全模式
# 输出结果：['中国', '国是', '一个', '伟大', '的', '国家']
s1 = "中华人民共和国是伟大的"
print(jieba.lcut_for_search(s1)) # 搜索引擎模式
# 输出结果 ： 
# ['中华', '华人', '人民', '共和', '共和国', '中华人民共和国', '是', '伟大', '的']

jieba模块的cut()方法

python 复制代码 
import jieba
txt="我的妹妹是一只猫"
words=jieba.cut(txt)
for word in words:
   print(word)

Building prefix dict from the default dictionary ...
Dumping model to file cache /tmp/jieba.cache
Loading model cost 0.952 seconds.
Prefix dict has been built succesfully.

我 的 妹妹 是 一只 猫

txt 复制代码 
jieba猫猫Python猫猫jieba Matplotlib jieba,Python
python 复制代码 
# pip install wordcloud
# pip install jieba
# from wordcloud import WordCloud 后面就用WordCloud
import wordcloud
import jieba
# 读取文本文件
with open('text.txt',encoding='utf-8') as f:
    txt=f.read()
cut_text=' '.join(jieba.cut(txt))
# generate(txt)根据文本生成词云
wd=wordcloud.WordCloud(font_path="A73方正行黑简体.ttf").generate(cut_text) 
wd.to_image().show() # 建立词云图像文件并显示
wd.to_file("wd.png") # 输出到文件
词云参数


与matplotlib联用
txt 复制代码 
text
dog dog dog 
dog dog dog 
fish
cat 
cat
狗
python 复制代码 
# pip install wordcloud
# pip install jieba
# from wordcloud import WordCloud 后面就用WordCloud
import wordcloud
import jieba
import matplotlib.pyplot as plt
# 读取文本文件
with open('text.txt',encoding='utf-8') as f:
    txt=f.read()
# generate(txt)根据文本生成词云
wd=wordcloud.WordCloud(font_path="A73方正行黑简体.ttf",
                       background_color="lightblue",
                       width=800,
                       height=600).generate(txt)
plt.imshow(wd)
plt.savefig("wd.png") # 输出到文件
plt.show()

plt.axis("off") # 关闭轴线

python 复制代码 
# pip install wordcloud
# pip install jieba
# from wordcloud import WordCloud 后面就用WordCloud
import wordcloud
import jieba
import matplotlib.pyplot as plt
# 读取文本文件
with open('text.txt',encoding='utf-8') as f:
    txt=f.read()
# generate(txt)根据文本生成词云
wd=wordcloud.WordCloud(font_path="A73方正行黑简体.ttf",
                       background_color="lightblue",
                       width=800,
                       height=600).generate(txt)
plt.imshow(wd)
plt.axis("off") # 关闭轴线
plt.savefig("wd.png") # 输出到文件
plt.show()
词云形状

WordCloud(mask=)

一般的图片可能要先进行去底再使用

在线去底 https://www.aigei.com/bgremover/

python 复制代码 
# pip install wordcloud
# pip install jieba
# from wordcloud import WordCloud 后面就用WordCloud
import wordcloud
import jieba
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
# 读取文本文件
with open('text.txt',encoding='utf-8') as f:
    txt=f.read()
cut_text=' '.join(jieba.cut(txt))
bgimage=np.array(Image.open('python(已去底).gif'))
# generate(txt)根据文本生成词云
wd=wordcloud.WordCloud(font_path="A73方正行黑简体.ttf",\
                       background_color="white",mask=bgimage).generate(cut_text) 
plt.imshow(wd)
plt.axis("off")
plt.savefig("wd.png") # 输出到文件
plt.show()

用 imageio 则不去底

python 复制代码 
# pip install wordcloud
# pip install jieba
# pip install imageio
# from wordcloud import WordCloud 后面就用WordCloud
import wordcloud
import jieba
import imageio
import matplotlib.pyplot as plt
# 读取文本文件
with open('text.txt',encoding='utf-8') as f:
    txt=f.read()
cut_text=' '.join(jieba.cut(txt))
bgimage=imageio.imread('python.gif')
# generate(txt)根据文本生成词云
wd=wordcloud.WordCloud(font_path="A73方正行黑简体.ttf",\
                       background_color="white",mask=bgimage).generate(cut_text) 
plt.imshow(wd)
plt.axis("off")
plt.savefig("wd.png") # 输出到文件
plt.show()

可视化词云包-Stylecloud

https://github.com/minimaxir/stylecloud

https://fontawesome.com/

https://fontawesome.dashgame.com/

https://fa5.dashgame.com/#/

python 复制代码 
import pandas as pd
import jieba.analyse
from stylecloud import gen_stylecloud
with open('text.txt',encoding='utf-8') as f:
    txt=f.read()
cut_text=' '.join(jieba.cut(txt))
gen_stylecloud(text=cut_text,icon_name='fas fa-comment-dots',
               font_path="A73方正行黑简体.ttf",background_color='white',output_name='wd.jpg')
print('绘图成功！')


python 复制代码 
import stylecloud
stylecloud.gen_stylecloud(file_path='text.txt', 
                          icon_name= 'fas fa-dog',
                          font_path="A73方正行黑简体.ttf",
                          palette='colorbrewer.diverging.Spectral_11',                        
                          background_color='black',                        
                          gradient='horizontal')
# palette：调色板（通过 palettable 实现）[默认值:cartocolors.qualitative.Bold_5]

字体颜色color

python 复制代码 
import stylecloud
stylecloud.gen_stylecloud(file_path='text.txt', 
                          icon_name= 'fas fa-dog',
                          font_path="A73方正行黑简体.ttf",
                          palette='colorbrewer.diverging.Spectral_11',                        
                          background_color='black',  # 背景色
                          colors='white',# 字体颜色
                          gradient='horizontal'# 梯度)

反向遮罩invert_mask

python 复制代码 
import stylecloud
stylecloud.gen_stylecloud(file_path='text.txt', 
                          icon_name= 'fas fa-dog',
                          font_path="A73方正行黑简体.ttf",
                          palette='colorbrewer.diverging.Spectral_11',                        
                          background_color='black',  # 背景色
                          colors='white',# 字体颜色
                          invert_mask=True, # 反向遮罩
                          gradient='horizontal')

调色板palette
palettable 网站： https://jiffyclub.github.io/palettable/

python 复制代码 
import stylecloud
stylecloud.gen_stylecloud(file_path='text.txt', 
                          icon_name= 'fab fa-twitter',
                          font_path="A73方正行黑简体.ttf",
                          palette='cartocolors.diverging.TealRose_7',                        
                          background_color='white',  # 背景色
                          gradient='horizontal')
python 复制代码 
import stylecloud
stylecloud.gen_stylecloud(file_path='评论.txt', 
                          icon_name= 'fab fa-qq',
                          font_path="A73方正行黑简体.ttf",
                          palette='tableau.BlueRed_6',                        
                          background_color='white',  # 背景色
                          gradient='horizontal',size=400,
                          output_name='书评.png')
相关推荐
q567315239 分钟前
在 Bash 中获取 Python 模块变量列
开发语言·python·bash
是萝卜干呀10 分钟前
Backend - Python 爬取网页数据并保存在Excel文件中
python·excel·table·xlwt·爬取网页数据
代码欢乐豆10 分钟前
数据采集之selenium模拟登录
python·selenium·测试工具
许野平34 分钟前
Rust： 利用 chrono 库实现日期和字符串互相转换
开发语言·后端·rust·字符串·转换·日期·chrono
也无晴也无风雨37 分钟前
在JS中, 0 == [0] 吗
开发语言·javascript
狂奔solar1 小时前
yelp数据集上识别潜在的热门商家
开发语言·python
Tassel_YUE1 小时前
网络自动化04：python实现ACL匹配信息（主机与主机信息）
网络·python·自动化
聪明的墨菲特i1 小时前
Python爬虫学习
爬虫·python·学习
blammmp1 小时前
Java：数据结构-枚举
java·开发语言·数据结构
何曾参静谧2 小时前
「C/C++」C/C++ 指针篇 之 指针运算
c语言·开发语言·c++
热门推荐
01【HarmonyOS】HUAWEI DevEco Studio 下载地址汇总02(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明03组基轨迹建模 GBTM的介绍与实现（Stata 或 R）04【AIGC】重塑未来的科技巨轮05全面解析：构建基于深度学习的安全帽检测系统（UI界面+YOLO代码+数据集）06【经验分享】Ubuntu22.04安装微信(linux官方版)07基于YOLOv10深度学习的CT扫描图像肾结石智能检测系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测08Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO09RAG 实践- Ollama+RagFlow 部署本地知识库10【TC3xx芯片】TC3xx芯片电源管理系统PMS详解