Python高级应用程序设计任务

Python高级应用程序设计任务要求


用Python实现一个面向主题的网络爬虫程序,并完成以下内容:
(注:每人一题,主题内容自选,所有设计内容与源代码需提交到博客园平台)

一、主题式网络爬虫设计方案(15分)
1.主题式网络爬虫名称
       爬取QQ音乐歌手歌曲信息。

2.主题式网络爬虫爬取的内容与数据特征分析
       爬取QQ音乐歌手具体歌曲名称。

3.主题式网络爬虫设计方案概述(包括实现思路与技术难点)
        requests库对目标页面进行爬取,从QQ音乐页面提取url,目标数据是json数据类型,使用xlwt将数据存入.xls文件,pandas读取文件数据。用BeautifulSoup对数据进行采集,最后打印结果。
 
二、主题页面的结构特征分析(15分)
1.主题页面的结构特征
2.Htmls页面解析
3.节点(标签)查找方法与遍历方法
(必要时画出节点树结构)
 
三、网络爬虫程序设计(60分)
爬虫程序主体要包括以下各部分,要附源代码及较详细注释,并在每部分程序后面提供输出结果的截图。
所有源代码如下所示:
import requests
from bs4 import BeautifulSoup
import json
import xlwt
import pandas as pd


#爬取页面函数
def catchhtml(url):
    kv = {‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36‘}
    #异常判断
    try:
        data = requests.get(url, headers=kv, timeout=10)
        #查看状态码,判断爬取状态
        data.raise_for_status()
        data.encoding = data.apparent_encoding
        #返回页面
        return data.text
    except:
        return "爬取失败"


#获取专辑
def getalbum(times, singer):
    all_albummid = []
    for num in range(1, times):
        #获取信息的目标url
        url = f‘https://c.y.qq.com/soso/fcgi-bin/client_search_cp?&remoteplace=txt.yqq.album&t=8&p={num}&n=5&w={singer}&format=json‘
        html = catchhtml(url)
        # 解析json数据
        js = json.loads(html)
        # 定位到albumMID
        albumlist = js[‘data‘][‘album‘][‘list‘]
        for song in albumlist:
            albumMid = song[‘albumMID‘]
            all_albummid.append(albumMid)
    return all_albummid


#获取专辑内的歌曲名
def getsong(albumlist):
    songs = []
    for i in albumlist:
        html = catchhtml(f‘https://y.qq.com/n/yqq/album/{i}.html‘)
        #bs4格式化html页面
        soup = BeautifulSoup(html, "html.parser")
        #遍历span标签内a标签的字符串
        for span in soup.find_all("span", attrs="songlist__songname_txt"):
            #将字符串放进列表
            songs.append(str(span.a.string).strip())
    return songs


#将数据存入文件
def write_file(data, saveurl):
    # 创建Workbook,相当于创建Excel
    book = xlwt.Workbook(encoding=‘utf-8‘)
    # 创建sheet,Sheet1为表的名字,cell_overwrite_ok为是否覆盖单元格
    sheet1 = book.add_sheet(u‘Sheet1‘, cell_overwrite_ok=True)

    #将首行的首列设为song_name
    sheet1.write(0, 0, ‘歌曲名‘)
    r = 1
    #r为row(行)
    for temp in data:
        sheet1.write(r, 0, temp)
        r += 1
    #保存文件到给定的save_url
    book.save(saveurl)
    print(f‘写入文件成功,地址为{saveurl}‘)


#读取文件
def read_file(singer):
    try:
        data = pd.read_excel(f‘D:/{singer}\‘s_songs.xls‘, names=[‘song_name‘])
        print(‘读取文件成功‘)
        #返回文件内的数据
        return data
    except:
        "文件不存在或文件名错误"


#主函数
def main():
    #临界值20个专辑
    times = 20
    #输入歌手名称
    singer = ‘陈奕迅‘
    #专辑MID列表
    albumlist = getalbum(times, singer)
    #歌曲列表
    songs = getsong(albumlist)
    #存储excel文件的位置
    saveurl = f‘D:\\{singer}\‘s_songs.xls‘
    #写入文件
    write_file(songs, saveurl)
    #读取文件
    read_file(singer)


if __name__ == ‘__main__‘:
    main()
运行结果(截图)如下:





 该Excel文件里面有陈奕迅的所有专辑名称和歌曲名称,列为一个名单,共700多行。部分截图如下:


 

 




1.数据爬取与采集
相关代码如下(对QQ音乐url中的相关数据进行采集):

#爬取页面函数
def catchhtml(url):
    kv = {‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36‘}
    #异常判断
    try:
        data = requests.get(url, headers=kv, timeout=10)
        #查看状态码,判断爬取状态
        data.raise_for_status()
        data.encoding = data.apparent_encoding
        #返回页面
        return data.text
    except:
        return "爬取失败"

2.对数据进行清洗和处理
相关代码如下(获取想要的信息,即陈奕迅专辑名和详细的歌曲名):

#获取专辑
def getalbum(times, singer):
    all_albummid = []
    for num in range(1, times):
        #获取信息的目标url
        url = f‘https://c.y.qq.com/soso/fcgi-bin/client_search_cp?&remoteplace=txt.yqq.album&t=8&p={num}&n=5&w={singer}&format=json‘
        html = catchhtml(url)
        # 解析json数据
        js = json.loads(html)
        # 定位到albumMID
        albumlist = js[‘data‘][‘album‘][‘list‘]
        for song in albumlist:
            albumMid = song[‘albumMID‘]
            all_albummid.append(albumMid)
    return all_albummid


#获取专辑内的歌曲名
def getsong(albumlist):
    songs = []
    for i in albumlist:
        html = catchhtml(f‘https://y.qq.com/n/yqq/album/{i}.html‘)
        #bs4格式化html页面
        soup = BeautifulSoup(html, "html.parser")
        #遍历span标签内a标签的字符串
        for span in soup.find_all("span", attrs="songlist__songname_txt"):
            #将字符串放进列表
            songs.append(str(span.a.string).strip())
    return songs
3.文本分析(可选):jieba分词、wordcloud可视化
     无。
 
4.数据分析与可视化
(例如:数据柱形图、直方图、散点图、盒图、分布图、数据回归分析等)
     由于是在爬取歌手陈奕迅的专辑名称和歌曲名称,都是具体的数据,只能用文字来表示数据,因此不需要使用可视化!

 5.数据持久化
     数据持久化即为数据存储,相关代码如下:
#将数据存入文件
def write_file(data, saveurl):
    # 创建Workbook,相当于创建Excel
    book = xlwt.Workbook(encoding=‘utf-8‘)
    # 创建sheet,Sheet1为表的名字,cell_overwrite_ok为是否覆盖单元格
    sheet1 = book.add_sheet(u‘Sheet1‘, cell_overwrite_ok=True)

    #将首行的首列设为song_name
    sheet1.write(0, 0, ‘歌曲名‘)
    r = 1
    #r为row(行)
    for temp in data:
        sheet1.write(r, 0, temp)
        r += 1
    #保存文件到给定的save_url
    book.save(saveurl)
    print(f‘写入文件成功,地址为{saveurl}‘)
四、结论(10分)
1.经过对主题数据的分析与可视化,可以得到哪些结论?
         通过对主体数据的提取分析,可以清楚地知道歌手陈奕迅自出道以来大部分的曲目专辑,一目了然。
2.对本次程序设计任务完成的情况做一个简单的小结。
         通过对数据的爬取,基本掌握了来龙去脉。但是在进行具体的数据清洗时有些不够熟练,希望可以更深入地掌握。

相关推荐