本次做業要求來自於:https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/3159html
一.把爬取的內容用數據庫保存python
1.保存到sqlite3數據庫mysql
# 用pandas讀出以前保存的數據: newsdf = pd.read_csv(r'D:\gzccnews.csv') # 建立保存newsdf到表gzccnews import sqlite3 with sqlite3.connect('gzccnewsdb.sqlite') as db: newsdf.to_sql('gzccnews',con=db) # 查詢讀出保存到sqlite3數據庫的內容df2 with sqlite3.connect('gzccnewsdb.sqlite') as db: df2 = pd.read_sql_query('select * from gzccnews',con=db) df2
運行示例:sql
2.保存到MySQL數據庫:數據庫
# 安裝須要用到的類包 !pip install PyMySQL !pip install sqlalchemy # 導入類包鏈接MySQL數據庫(gzcc_news) import pymysql from sqlalchemy import create_engine coninfo = "mysql+pymysql://root:@localhost:3306/gzcc_news?charset=utf8" engine = create_engine(coninfo,encoding="utf-8") # 把newsdf數據保存到gzcc_news數據庫新建表news上 newsdf.to_sql(name='news',con=engine,if_exists='append',index= False,index_label='id')
運行示例:瀏覽器
二.爬蟲綜合大做業cookie
原因app
想了好久,不知道本身感興趣的是什麼,而後就爬了下社會熱點話題和本身工做相關的東西。但最後限於技術不行,參考網上成功案例仍是報錯找不出哪裏,ip也被封了幾回。最後仍是倒回來爬取影評。dom
《無問西東》這部電影對我觸動很大,五一假期進行了三刷,其中有一幕記憶深入:學習
吳嶺瀾「 最好的學生都是學實科的。我只知道,這個年紀最重要的就是學習,何用管我學什麼。天天把本身交給書本,內心就以爲踏實。」
梅貽琦答他:「 你還忽略了一件事,真實。人把本身置身於忙碌當中,有一種麻木的踏實,但喪失了真實。」「 真實就是,你看什麼,作什麼,和誰在一塊兒,有一種從心靈深處滿溢出來的不懊悔、也不羞恥的平和與喜悅。」
讓我久久不能忘懷,有所共鳴又有所困惑。因此想着藉此爬取廣大網友的觀點作一次分析,多看看別人看這部電影的想法感覺,跳出自我,去尋找那麼迷茫和拿不定主意什麼才適合本身的方向。
爬取範圍
用python爬取用戶名、短評內容、觀看狀況、評分推薦、評論時間、贊同該評論次數解讀《無問西東》
# 導入須要用到的類包 import requests from bs4 import BeautifulSoup import time import random import pandas as pd uas = [ 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36', 'Mozilla / 5.0(Linux;Android 6.0; Nexus 5 Build / MRA58N) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 73.0 .3683.103Mobile Safari / 537.36', 'Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10' 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.96 Safari/537.36' ] # 隨機選取用戶代理 def get_ua(): au = random.choice(uas) return au # 抓取解析網頁 def get_soup(url): # 假裝瀏覽器發送請求 headers = { 'User-Agent': get_ua(), 'Host': 'movie.douban.com', 'Connection': 'keep-alive', 'Cookie': 'll="118281"; bid=PDfyRYzWZUA; __utmz=30149280.1557146179.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); ' 'gr_user_id=64e50650-eaac-439c-bf07-4845beda01f4; _vwo_uuid_v2=DCC7E0177B98EF36F009D20E376BAFAF0|af1541df8cba612ae9400c9868c99729; viewed="1291199";' ' __yadk_uid=NZF4B0V65mFYDKwVEtBIqD7IzCfqBuCo; trc_cookie_storage=taboola%2520global%253Auser-id%3D1b6006bb-7d65-4a3d-9ef8-0bd85ef174e3-tuct363a7b2;' ' __gads=ID=aa3da2d975e4bc28:T=1557291874:S=ALNI_Mb5dM0i_lKo5qiVEALC5SbsE4zAeg;' ' __utmz=223695111.1557291909.3.2.utmcsr=douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/search; _' 'pk_ref.100001.4cf6=%5B%22%22%2C%22%22%2C1557365604%2C%22https%3A%2F%2Fwww.douban.com%2Fsearch%3Fq%3D%25E6%2597%25A0%25E9%2597%25AE%25E8%25A5%25BF%25E4%25B8%259C%22%5D;' ' _pk_ses.100001.4cf6=*; __utma=30149280.574526707.1557146179.1557305660.1557365604.7; __utmc=30149280; __utma=223695111.1592700349.1557228376.1557305660.1557365604.6;' ' __utmc=223695111; ap_v=0,6.0; __utmb=30149280.4.9.1557368405684; dbcl2="196202536:5ThcQT2Qzr0";' ' ck=EL1Z; push_noty_num=0; push_doumail_num=0; ct=y; __utmt=1; _pk_id.100001.4cf6=627ae57bc2f4ade6.1557228376.6.1557369194.1557306413.; __utmb=223695111.19.10.1557365604' } res = requests.get(url, headers=headers) time.sleep(random.random()*5) #設置時間間隔,防止太快被封 res.encoding='utf-8' soup = BeautifulSoup(res.text,'html.parser') return soup # 獲取一頁用戶的評論 def getText(soup): comment_list = [] for p in soup.select('.comment-item'): comment = {} username = p.select('.comment-info')[0]('a')[0].text watch = p.select('.comment-info')[0]('span')[0].text intro = p.select('.comment-info')[0]('span')[1]['title'] cTime = p.select('.comment-time ')[0]['title'] pNum = p.select('.votes')[0].text short = p.select('.short')[0].text text=short.replace('\n', ' ') comment['用戶名']=username comment['觀看狀況']=watch comment['評分推薦']=intro comment['評論時間']=cTime comment['短評內容']=text comment['贊同該評論次數']=pNum comment_list.append(comment) return comment_list url = 'https://movie.douban.com/subject/6874741/comments?start={}&limit=20&sort=new_score&status=P' comments = [] for i in range(1,50): soup = get_soup(url.format(i * 20)) # 每一頁20條評論需乘20來拼湊網頁 comments.extend(getText(soup)) time.sleep(random.random() * 5) # # 測試爬出全部影評的概況 # for n in comments: # print(n) # 保存到本地csv文件 commentFile = pd.DataFrame(comments) commentFile.to_csv(r'D://comments1.csv', encoding='utf_8_sig')
爬取後的部分數據:
數據處理
# 從文件讀取待分析文本 with open(r'D:\\comments_analyse.txt', 'r', encoding='utf-8') as f: text = f.read() # 使用jieba進行中文分詞 import jieba textCut = jieba.lcut(text) # 排除語法型詞彙,代詞、冠詞、連詞等停用詞 with open(r'D:\\學習\\stops_chinese.txt', 'r', encoding='utf-8') as f: stops = f.read().split('\n') tokens = [token for token in textCut if token not in stops] # 將文本轉化爲集合 words_set = set(tokens) # 存入字典 words_dict = {} for w in words_set: words_dict[w] = tokens.count(w) # 字典轉換成列表對詞語進行詞頻排序 words_sort = list(words_dict.items()) words_sort.sort(key=lambda x: x[1], reverse=True) # print(words_sort) # for w in words_sort: # print(w) import pandas as pd pd.DataFrame(data=words_sort).to_csv(r'D:\\學習\\無問西東影評.csv',encoding='utf_8_sig')
詞頻統計:
詞雲:
# 插入空格把詞語分開 wl_split=' '.join(tokens) # 調用generate()方法生成詞雲 from wordcloud import WordCloud mywc = WordCloud().generate(wl_split) # 顯示詞雲 import matplotlib.pyplot as plt plt.imshow(mywc) plt.axis("off") plt.show()
總結
不知道哪裏出了問題,只爬取到大概300條左右的一小部分數據,感受沒有分析跟豆瓣總結出的結論沒有什麼太大的差別,因此只能算作是一個小練習並無太大的參考價值,之後還需更加努力學習。最後,總結下電影,嗯,想法各有不一樣,評論偏向中肯,戒驕戒躁,腳踏實地,才能仰望星空。