2020 11/13-11/14 数挖培训_爬虫基础

Bertha 。 2022-12-21 03:23 99阅读 0赞

### 数挖培训\_爬虫基础 ###

*  json的用法
 *  储存为json文件出现unicode编码
 *  动态爬取
 *  爬标题和排行
 *  大佬师兄爬标题up主播放量弹幕
 *  11/14用另外一种方法爬标题播放量
 *  零碎内容

# json的用法 #

[博客园讲解][Link 1]

# 储存为json文件出现unicode编码 #

filename = 'Bili.json'
    with open(filename, 'w', encoding='utf-8') as file_obj:
    	json.dump(Bili, file_obj, ensure_ascii=False)

**一定要加ensure\_ascii=False，这个可以解决json文件里面unicode编码问题。**

储存进去之后读文件，时时刻刻记得encoding=utf-8

filename='Bili.json'
    with open(filename, "r", encoding="utf-8") as file_obj:
        json.load(file_obj, encoding = "utf-8")
    print(Bili)

# 动态爬取 #

这个是爬取bilibili 后浪 下面的评论+评论者+评论排名  
一个好神奇的方法，也不知道原理是啥。

import requests
    import json
    
    headers = {
         }
    
    res = requests.get('https://api.bilibili.com/x/v2/reply?pn=1&type=1&oid=412935552&sort=2', headers=headers)
    #  https://api.bilibili.com/x/v2/reply?callback=jQuery172007300442430029852_1605323367404&jsonp=jsonp&pn=1&type=1&oid=412935552&sort=2&_=1605323368081
    
    js = json.loads(res.text)
    lis = []
    
    for i in js['data']['replies']:
        x = {
        }
        x['text'] = i['content']['message']
        x['author'] = i['member']['uname']
        x['level'] = i['member']['level_info']['current_level']
        lis.append(x)
    print(lis)

1.F12打开这里，然后network中找到reply开头的那一行，点进去headers先获取Request URL，然后删掉一些不需要的内容（见上面代码）![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzUxNjMxNjM5_size_16_color_FFFFFF_t_70_pic_center]  
2.点击preview，会发现data下面的replies里有这一页全部的评论、评论者、排名什么的，用一个for循环遍历这里面的东西。  
代码就是：

for i in js['data']['replies']:

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzUxNjMxNjM5_size_16_color_FFFFFF_t_70_pic_center 1]  
3.然后开始愉快获取内容（看图片就能懂）  
代码是：

x = {
        }
        x['text'] = i['content']['message']
        x['author'] = i['member']['uname']
        x['level'] = i['member']['level_info']['current_level']

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzUxNjMxNjM5_size_16_color_FFFFFF_t_70_pic_center 2]

# 爬标题和排行 #

主要学习css选择器定位的方法

for r in range(1, 101):
        x = {
        }
        x['name'] = soup.select('.rank-list li:nth-of-type(' + str(r) + ') .info > a')[0].text  
        # select必须返回列表，要加一个[0]
        x['rank'] = soup.select('.rank-list li:nth-of-type(' + str(r) + ') >.num')[0].text
        Bili.append(x)

这里name中的意思是，找类名为 rank-list 下的第1、2、3……个 li 标签 ，再找这些 li 标签里面类名为info下的子标签a中的文本。rank基本同理。

(' + str(r) + ')

这个是字符串拼接，因为r从1到100，就是上面说的找类名为 rank-list 下的第1、2、3……个 li 标签。

其他用法：[字符串拼接][Link 2].

# 大佬师兄爬标题up主播放量弹幕 #

import requests
    from bs4 import BeautifulSoup
    import json
    
    url = 'https://www.bilibili.com/v/popular/rank/all'
    r = requests.get(url)
    # r.text源代码, soup将源代码转化成BeautifulSoup的对象
    soup = BeautifulSoup(r.text, 'lxml')
    
    bilibili = []
    divs_content = soup.select('div.content')
    for divs_content in divs_content:
        div_info = divs_content.select_one('div.info')
        title = div_info.select_one('a.title').text.strip()
    
        # 标签对象是可以嵌套查询的（嵌套select）
        div_detail = div_info.select_one('div.detail')
        data_boxes = div_detail.select('span.data-box')
        play_number = data_boxes[0].text.strip()
        danmu_number = data_boxes[1].text.strip()
        author = data_boxes[2].text.strip()
    
        bilibili.append([title, play_number, danmu_number, author])
    
    '''储存为txt文本'''
    with open("./bili_top100.txt", "w", encoding="utf-8") as f:
        for bili in bilibili:
            result = "".join([str(e) for e in bili])
            f.write(result+"\n")
    
    '''储存为json文件'''
    filename = 'Bili_top100.json'
    with open(filename, 'w', encoding='utf-8') as file_obj:
        json.dump(bilibili, file_obj, ensure_ascii=False)

strip()方法  
Python strip() 方法用于移除字符串头尾指定的字符（默认为空格或换行符）或字符序列。  
注意：该方法只能删除开头或是结尾的字符，不能删除中间部分的字符。

# 11/14用另外一种方法爬标题播放量 #

import requests
    from bs4 import BeautifulSoup
    import json
    
    header = {
        
        'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36'
    }
    
    res = requests.get('https://www.bilibili.com/v/popular/rank/all',headers=header)
    html = BeautifulSoup(res.text)
    lis = []
    
    for i in html.select('.rank-list li'):
        x = {
        }
        x['name'] = i.select('.info > a')[0].text
        x['rank'] = i.select('.num')[0].text
        x['view'] = i.select('.detail > .data-box')[0].text.strip()
        lis.append(x)
    
    # print(lis)
    
    with open('1.json','w+',encoding='utf-8') as file:
        js = json.dumps(lis, ensure_ascii=False)
        file.write(js)

# 零碎内容 #

# 只知道标签名
    # result = soup.select_one("a")
    # print(result)
    
    # select_one:返回一个结果(返回值是list的首个)
    # select：返回全部结果
    # 返回查找到的元素的第一个标签
    # 例：选择class类名为sister的所有标签中的第一个。
    # print(soup.select_one('.sister'))
    
    # 找规律：div标签中的a标签，div有一个属性class=info, .代表class，#代表id
    # result = soup.select_one("div[class=info]div a")
    # 上面的即result = html.select_one("div.info a")
    
    # 遇到多个class的情况：用.将全部class链接起来
    # result = soup.select_one(".w-later.van-watchlater a")
    
    # 已经得到标签对象了result
    # print(result)
    
    # 我要拿标签中的文本
    # print(result.text)
    
    # 我要的是标签的属性(attrs是一个字典)
    # print(result.attrs)

文件夹还有个PPT 11.13爬虫基础，有啥不懂的记得看。

[Link 1]: https://www.cnblogs.com/xiaomingzaixian/p/7286793.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzUxNjMxNjM5_size_16_color_FFFFFF_t_70_pic_center]: /images/20221120/44aad843bdf243c5876f880d98a3a87f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzUxNjMxNjM5_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221120/cba9ea5dcece463fb2c0ccfdbdf3de94.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzUxNjMxNjM5_size_16_color_FFFFFF_t_70_pic_center 2]: https://img-blog.csdnimg.cn/20201114135414898.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzUxNjMxNjM5,size_16,color_FFFFFF,t_70#pic_center
[Link 2]: https://www.cnblogs.com/yjlch1016/p/9497123.html