Python爬取豆瓣+数据可视化

博客原文和源码下载：Python爬取豆瓣+数据可视化

前言

前段时间应我姐邀请，看了一下Python爬虫。不得不说Python的语法确实简洁优美，可读性强，比较接近自然语言，非常适合编程的初学者上手。

在开始之前还是先介绍下什么是爬虫：

网络爬虫（英语：web crawler），也叫网络蜘蛛（spider），是一种用来自动浏览万维网的网络机器人。 – 维基百科

爬虫是一种程序或者脚本，用来替代人工浏览网页并从中提取信息，通常将提取的信息存储然后对其进行分析，从而获取有价值的信息。

爬虫也不是什么新鲜事物，可以说只要是编程语言几乎都能做到，而Python因为其简洁的语法和丰富的第三方库可以快速高效的编写爬虫，对于初学者可以说相当友好。接下来以爬取豆瓣电影TOP250页面为例说明如何用Python实现爬虫和数据可视化。

实现步骤

一、HTTP请求

导入第三方库requests，调用requests.get()方法向豆瓣电影TOP250页面发起GET请求，拿到响应的HTML。

二、数据提取

浏览器访问豆瓣电影TOP250页面并进入开发者模式复制要抓取节点的XPath。导入第三方库lxml的etree对象，调用etree.HTML(HTML)将HTML转换成element对象，然后使用element.xpath(XPath)方法拿到抓取的节点的文本(PS：也可以使用正则匹配文本)。

三、数据存储

导入第三方库openpyxl，调用openpyxl.Workbook()方法获取一个新的工作簿workbook，写入workbook.active=sheet获得一个工作表的引用sheet，为excel表指定位置添加数据：sheet[“A1”]=value，最后使用workbook.save(”excel表名“)保存数据，这里不用数据库是为了方便没有编程基础也能查看数据。

四、继续爬取

根据爬取页面的URL参数重复以上步骤，如豆瓣电影TOP250有两个参数start和filter，start表示页面的电影排行从TOP几的后一个开始，每个页面有25个电影，也就是说第一个页面参数start=0，第二个页面参数start=25，filter为过滤，暂时不用管，请求下一个页面时GET请求的参数start+25即可。

五、数据可视化

调用openpyxl.load_workbook(“excel表名”)方法获取存放数据的excel表，写入workbook.active=sheet获得一个工作表的引用，获取excel表指定位置的数据：data=sheet[“A1”].value。然后导入第三方库pyecharts，并根据文档调用合适的API生成图表实现数据可视化。

爬虫开发

创建一个项目Crawler，安装使用的第三方库：

pip install requests
pip install lxml
pip install openpyxl
pip install pyecharts

接下来在项目目录下新建文件html_parser.py：

from lxml import etreeclass HTMLParser:  # HTML解析类def __init__(self):pass# 返回豆瓣电影Top250页面特定序号的电影的相关数据def parse(self, html, number):movie = {"title": "", "actors": "", "classification": "", "score": "", "quote": ""}selector = etree.HTML(html)movie["title"] = selector.xpath('//*[@id="content"]/div/div[1]/ol/li[' + str(number) + ']/div/div[2]/div[1]/a/span[1]/text()')[0]movie["actors"] = selector.xpath('//*[@id="content"]/div/div[1]/ol/li[' + str(number) + ']/div/div[2]/div[2]/p[1]/text()[1]')[0]movie["classification"] = selector.xpath('//*[@id="content"]/div/div[1]/ol/li[' + str(number) + ']/div/div[2]/div[2]/p[1]/text()[2]')[0]movie["score"] = selector.xpath('//*[@id="content"]/div/div[1]/ol/li[' + str(number) + ']/div/div[2]/div[2]/div/span[2]/text()')[0]# 如果存在则为该值，否则为空movie["quote"] = selector.xpath('//*[@id="content"]/div/div[1]/ol/li[' + str(number) + ']/div/div[2]/div[2]/p[2]/span/text()')[0] if len(selector.xpath('//*[@id="content"]/div/div[1]/ol/li[' + str(number) + ']/div/div[2]/div[2]/p[2]/span/text()')) > 0 else ""return movie

该模块封装了解析豆瓣电影TOP250页面并提取数据的方法。

然后同样新建文件excel_handler.py：

import openpyxlclass ExcelHandler:  # excel文件处理类__book = None__sheet = Nonedef __init__(self):self.book = Noneself.sheet = Nonepass# 获取工作簿并获得工作表的引用def startHandleExcel(self):self.book = openpyxl.Workbook()self.sheet = self.book.active# 为A、B、C、D、E列的指定行添加数据def handleExcel(self, row, A, B, C, D, E):self.sheet["A" + str(row)] = str(A).strip()self.sheet["B" + str(row)] = str(B).strip()self.sheet["C" + str(row)] = str(C).strip()self.sheet["D" + str(row)] = str(D).strip()self.sheet["E" + str(row)] = str(E).strip()return True# 处理完成保存exceldef endHandleExcel(self, fileName):self.book.save(fileName)# 读取excel并获得工作表的引用def startReadExcel(self, fileName):self.book = openpyxl.load_workbook(fileName)self.sheet = self.book.active# 读取excel指定位置的数据def readExcel(self, coordinate):return str(self.sheet[coordinate].value)# 读取完成def endReadExcel(self):pass

该模块封装了存储和读取excel表的方法。

接下来在mian.py中写入：

import requests
import random
import timefrom html_parser import HTMLParser
from excel_handler import ExcelHandler
from pyecharts import options as opts
from pyecharts.charts import Bardef crawling():  # 爬取豆瓣电影Top250函数# 定义当前处理的excel表的行excelRow = 1# 实例化excel处理类excelHandler = ExcelHandler()# 开始处理excelexcelHandler.startHandleExcel()# 在excel表中添加标题行excelHandler.handleExcel(excelRow, "名字", "演员", "分类", "评分", "引言")# 处理的行+1excelRow += 1# 定义豆瓣电影Top250页面的地址和所使用的user-agent(伪装为正常浏览器)url = "https://movie.douban.com/top250"headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) ""Chrome/89.0.4389.82 Safari/537.36"}# 实例化网页解析类htmlParser = HTMLParser()print("开始爬取豆瓣电影Top250...")# 爬取豆瓣电影Top250的十个网页for page in range(10):# 定义URL的参数param = {"start": page * 25, "filter": ""}# 发起GET请求response = requests.get(url=url, params=param, headers=headers).text# 将请求结果页的25个电影信息存入excelfor list in range(25):print("正在处理" + str(page + 1) + "页的第" + str(list + 1) + "部电影...")# 解析电影的信息movie = htmlParser.parse(response, list + 1)# 将解析结果存入excelexcelHandler.handleExcel(excelRow, movie["title"], movie["actors"], movie["classification"], movie["score"],movie["quote"])# 处理的行+1excelRow += 1print("第" + str(page + 1) + "页爬取完成！")# 等待5-20秒之后再次爬取，模拟人的操作time.sleep(random.randint(5, 20))# excel存入完成excelHandler.endHandleExcel("movies.xlsx")print("豆瓣电影Top250爬取完成！")def getCharts():  # 绘制评分数据图函数# 定义评分的字典scoreLevel = {}# 实例化excel处理类excelHandler = ExcelHandler()# 开始读取excel表excelHandler.startReadExcel("movies.xlsx")print("开始读取excel表中的评分列...")# 循环遍历excel表评分列for row in range(250):# 从excel表中读取评分列作为字典的keykey = excelHandler.readExcel("D" + str(row + 2))# 如果该key存在则+1if key in scoreLevel:scoreLevel[key] += 1# 否则初始化该key的值为1else:scoreLevel[key] = 1# 读取excel结束excelHandler.endReadExcel()# 定义一个列表表示scoreLevel字典所有的key(即评分)keys = []# 定义一个列表表示scoreLevel字典所有的value(即该评分的数量)values = []# 提取scoreLevel的key和valuefor key in scoreLevel:keys.append(key)values.append(scoreLevel[key])print("评分数据读取完成！")print("开始绘制评分数据图...")# 绘制柱状图c = (Bar().add_xaxis(keys).add_yaxis("评分：数量（部）", values).set_global_opts(title_opts=opts.TitleOpts(title="豆瓣电影评分Top250"),toolbox_opts=opts.ToolboxOpts(),legend_opts=opts.LegendOpts(is_show=False),).render("movies_score.html"))print("评分数据图绘制完成！")# 爬取豆瓣电影TOP250
crawling()# 绘制评分数据图
getCharts()

main.py中的两个函数分别实现爬取豆瓣电影TOP250并存储数据和读取数据进行数据可视化操作，具体的过程已在注释中详细标注。

源码

源码下载访问博客原文：Python爬取豆瓣+数据可视化

最后

Python有很多优秀的爬虫框架，有兴趣可以自行了解，例如：

8个最高效的Python爬虫框架，你用过几个？

最后，爬虫不是什么内容都可以爬取，所谓"爬虫写的好，监狱进的早"，在爬取内容之前得先看一下：

网络爬虫的法律规制
网络爬虫？你可能面临的法律责任
网络爬虫robots.txt的作用以及规范写法

等相关规范和限制。