爬取知乎热度搜索标题并数据分析及可视化
一、主题式网络爬虫设计方案
1、主题式网络爬虫名称：爬取知乎热度数据并数据分析及可视化
2、爬取的内容：知乎热搜的标题、排行、热度
数据特征：随机、以文字和数字为主
3、实现思路：首先查看所要爬取页面的源代码，找到所需要爬取的数据在源代码中的位置，接下来进行数据爬取，并将爬取的数据持久化，保存在excel表格中用于使用，接下来对数据进行清洗处理，并进行数据分析额可视化
技术难点：正则表达式、回归方程
二、主题页面的结构特征分析
1、主题页面的结构和特征分析：所要爬取的热度数据在标签‘td’里面，标题在标签‘<a href> .... <a>’里面
2、页面解析：
三、
1、数据爬取与采集
import requests
import re
import pandas as pd
import openpyxl
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
from sklearn.linear_model import LinearRegression
url = ‘https://tophub.today/n/mproPpoq6O‘
header = {‘user-agent‘:‘Mozilla/5.0‘}
r = requests.get(url, headers=header)
r.raise_for_status()
r.encoding = r.apparent_encoding
r.text
html = r.text
title = re.findall(‘<a href=.*? target="_blank" .*?>(.*?)</a>‘,html)[3:20]
redu = re.findall(‘<td>(.*?)</td>‘,html)[0:17]
print(title)
print(redu)
print(‘{:^55}‘.format(‘知乎热度榜单‘))
print(‘{:^5}\t{:^40}\t{:^10}‘.format(‘排名‘,‘标题‘,‘热度(单位:万)‘))
num = 8
lst = []
for i in range(num):
print(‘{:^5}\t{:^40}\t{:^10}‘.format(i+1, title[i], redu[i][:-3]))
lst.append([i+1, title[i], redu[i][:-3]])
df = pd.DataFrame(lst, columns=[‘排名‘,‘标题‘,‘热度(单位:万)‘])
df.to_excel(‘知乎热度榜.xlsx‘)
2、对数据进行清洗和处理
df = pd.DataFrame(pd.read_excel(‘知乎热度榜.xlsx‘)) print(df.head()) print(df.duplicated()) print(df[‘标题‘].isnull().value_counts()) print(df[‘热度(单位:万)‘].isnull().value_counts()) print(df.describe())
3、数据分析与可视化
def zhexian():
plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘]
x = df[‘排名‘]
y = df[‘热度(单位:万)‘]
plt.xlabel(‘排名‘)
plt.ylabel(‘热度(单位:万)‘)
plt.plot(x,y)
plt.scatter(x,y)
plt.title(‘排名与热度的折线图‘)
plt.show()
zhexian()
plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘]
plt.bar(range(1,9),redu[:8])
plt.xlabel(‘排名‘)
plt.ylabel(‘热度(单位:万)‘)
plt.title(‘排名与热度的柱状图‘)
plt.show()
4、回归方程
df = pd.read_excel(‘知乎热度榜.xlsx‘) df.head(8) X = df.drop(‘标题‘,axis=1) predict_model = LinearRegression() predict_model.fit(X, df[‘热度(单位:万)‘]) print(‘回归系数:‘,predict_model.coef_)
5、数据持久化
df = pd.DataFrame(lst, columns=[‘排名‘,‘标题‘,‘热度(单位:万)‘]) df.to_excel(‘知乎热度榜.xlsx‘)
6、代码汇总
import requests
import re
import pandas as pd
import openpyxl
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
from sklearn.linear_model import LinearRegression
url = ‘https://tophub.today/n/mproPpoq6O‘
header = {‘user-agent‘:‘Mozilla/5.0‘}
r = requests.get(url, headers=header)
r.raise_for_status()
r.encoding = r.apparent_encoding
r.text
html = r.text
title = re.findall(‘<a href=.*? target="_blank" .*?>(.*?)</a>‘,html)[3:20]
redu = re.findall(‘<td>(.*?)</td>‘,html)[0:17]
print(title)
print(redu)
print(‘{:^55}‘.format(‘知乎热度榜单‘))
print(‘{:^5}\t{:^40}\t{:^10}‘.format(‘排名‘,‘标题‘,‘热度(单位:万)‘))
num = 8
lst = []
for i in range(num):
print(‘{:^5}\t{:^40}\t{:^10}‘.format(i+1, title[i], redu[i][:-3]))
lst.append([i+1, title[i], redu[i][:-3]])
df = pd.DataFrame(lst, columns=[‘排名‘,‘标题‘,‘热度(单位:万)‘])
df.to_excel(‘知乎热度榜.xlsx‘)
df = pd.DataFrame(pd.read_excel(‘知乎热度榜.xlsx‘))
print(df.head())
print(df.duplicated())
print(df[‘标题‘].isnull().value_counts())
print(df[‘热度(单位:万)‘].isnull().value_counts())
print(df.describe())
def zhexian():
plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘]
x = df[‘排名‘]
y = df[‘热度(单位:万)‘]
plt.xlabel(‘排名‘)
plt.ylabel(‘热度(单位:万)‘)
plt.plot(x,y)
plt.scatter(x,y)
plt.title(‘排名与热度的折线图‘)
plt.show()
zhexian()
plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘]
plt.bar(range(1,9),redu[:8])
plt.xlabel(‘排名‘)
plt.ylabel(‘热度(单位:万)‘)
plt.title(‘排名与热度的柱状图‘)
plt.show()
df = pd.read_excel(‘知乎热度榜.xlsx‘)
df.head(8)
X = df.drop(‘标题‘,axis=1)
predict_model = LinearRegression()
predict_model.fit(X, df[‘热度(单位:万)‘])
print(‘回归系数:‘,predict_model.coef_)四、结论
1、经过对知乎今日的热度标题进行爬取，今日第一和第二名的标题较为受关注，后面的标题较为平稳，相差不大
2、本次的程序设计的任务我完成的时间花了较长，遇到了挺多问题，但是经过百度搜索等等，最后将问题一步步解决，使得我对python更加的感兴趣了，完成任务之后非常的有成就感，正则表达式还不是很会，回归方程也遇到了问题，接下来的学习里，我会更加努力学习计算机这门课程。