一、昨日作业
1 ''' 2 主页： 3 图标地址、 4 https://www.wandoujia.com/category/6001 5 6 7 8 32 9 ''' 10 11 import requests 12 from bs4 import BeautifulSoup 13 from pymongo import MongoClient 14 15 # 连接MongoDB客户端 16 client = MongoClient('localhost', 27017) 17 # 创建或选择wangdoujia库，index集合 18 index_col = client['wangdoujia']['index'] 19 # 创建或选择wangdoujia库，detail集合 20 detail_col = client['wangdoujia']['detail'] 21 22 # 1、发送请求 23 def get_page(url): 24 response = requests.get(url) 25 return response 26 27 # 2、开始解析 28 # 解析详情页 29 def parse_detail(text): 30 31 soup = BeautifulSoup(text, 'lxml') 32 # print(soup) 33 34 try: 35 name = soup.find(name="span", attrs={"class": "title"}).text 36 except Exception: 37 name = None 38 39 40 41 try: 42 love = soup.find(name='span', attrs={"class": "love"}).text 43 except Exception: 44 love = None 45 46 47 48 try: 49 commit_num = soup.find(name='a', attrs={"class": "comment-open"}).text 50 except Exception: 51 commit_num = None 52 53 54 try: 55 commit_content = soup.find(name='div', attrs={"class": "con"}).text 56 except Exception: 57 commit_content = None 58 59 60 try: 61 download_url = soup.find(name='a', attrs={"class": "normal-dl-btn"}).attrs['href'] 62 except Exception: 63 # 若有异常，设置为None 64 download_url = None 65 66 67 if name and love and commit_num and commit_content and download_url: 68 detail_data = { 69 'name': name, 70 'love': love, 71 'commit_num': commit_num, 72 'download_url':download_url 73 } 74 75 if not love: 76 detail_data = { 77 'name': name, 78 'love': '没有点赞', 79 'commit_num': commit_num, 80 'download_url': download_url 81 } 82 if not download_url: 83 detail_data = { 84 'name': name, 85 'love': love, 86 'commit_num': commit_num, 87 'download_url':'没有安装包' 88 } 89 90 91 detail_col.insert(detail_data) 92 print(f'{name}app数据插入成功！') 93 94 # 解析主页 95 def parse_index(data): 96 soup = BeautifulSoup(data, 'lxml') 97 98 # 获取所有app的li标签 99 app_list = soup.find_all(name='li', attrs={"class": "card"}) 100 for app in app_list: 101 # print('*' * 1000) 102 # print(app) 103 # 图标地址 104 # 获第一个img标签中的data-origina属性 105 img = app.find(name='img').attrs['data-original'] 106 # print(img) 107 108 # 下载次数 109 # 获取class为install-count的span标签中的文本 110 down_num = app.find(name='span',attrs={"class": "install-count"}).text 111 # print(down_num) 112 113 # 大小 114 # 根据文本正则获取到文本中包含 数字 + MB （d+代表数字）的span标签中的文本 115 import re 116 size = soup.find(name='span', text=re.compile("d+MB")).text 117 # print(size) 118 119 # 详情页地址 120 # 获取class为detail-check-btn的a标签中的href属性 121 detail_url = app.find(name='a').attrs['href'] 122 # print(detail_url) 123 124 # 拼接数据 125 index_data = { 126 'img':img, 127 'down_num':down_num, 128 'size': size, 129 'detail_url': detail_url 130 } 131 132 index_col.insert(index_data) 133 print(f'主页数据插入成功') 134 135 # 3、往app详情页发送请求 136 response = get_page(detail_url) 137 # print(response.text) 138 # print('tank') 139 140 # 4、解析详情页 141 parse_detail(response.text) 142 143 144 def main(): 145 for line in range(1,33): 146 url = f'https://www.wandoujia.com/wdjweb/api/category/more?catId=6001&subCatId=0&page={line}&ctoken=ql8VkarJqaE7VAYNAEe2JueZ' 147 148 # 1、往app接口发送前请求 149 response = get_page(url) 150 # print(response.text) 151 print('*' * 1000) 152 # 反序列化为字典 153 data = response.json() 154 # 获取接口中app标签数据 155 app_li = data['data']['content'] 156 # print(app_li) 157 # 2、解析app标签数据 158 parse_index(app_li) 159 160 # 执行完所有函数关闭mongoDB客户端 161 client.close() 162 163 164 if __name__ == '__main__': 165 main()
今日内容：
0、MongoDB可视化工具
1、Scrapy爬虫框架
2、微信机器人
'''
Components：
1、引擎(EGINE)
引擎负责控制系统所有组件之间的数据流，并在某些动作发生时触发事件。有关详细信息，请参见上面的数据流部分。
2、调度器(SCHEDULER)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL的优先级队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
3、下载器(DOWLOADER)
用于下载网页内容, 并将网页内容返回给EGINE，下载器是建立在twisted这个高效的异步模型上的
4、爬虫(SPIDERS)
SPIDERS是开发人员自定义的类，用来解析responses，并且提取items，或者发送新的请求
5、项目管道(ITEM PIPLINES)
在items被提取后负责处理它们，主要包括清理、验证、持久化（比如存到数据库）等操作
下载器中间件(Downloader Middlewares)位于Scrapy引擎和下载器之间，主要用来处理从EGINE传到DOWLOADER的请求request，已经从DOWNLOADER传到EGINE的响应response，
你可用该中间件做以下几件事：
(1) process a request just before it is sent to the Downloader (i.e. right before Scrapy sends the request to the website);
(2) change received response before passing it to a spider;
(3) send a new Request instead of passing received response to a spider;
(4) pass response to a spider without fetching a web page;
(5) silently drop some requests.
6、爬虫中间件(Spider Middlewares)
位于EGINE和SPIDERS之间，主要工作是处理SPIDERS的输入（即responses）和输出（即requests）
'''
1、pip3 install wheel
2、pip3 install lxml
3、pip3 install pyopenssl
二 安装
#Windows平台
1、pip3 install wheel #安装后，便支持通过wheel文件安装软件，wheel文件官网：https://www.lfd.uci.edu/~gohlke/pythonlibs
2、pip3 install lxml
3、pip3 install pyopenssl # pyopenssl是一个封装了openssl的python模块。使用它可以方便地进行一些加解密操作。
# pywin32与python3有不兼容的问题，在 下载与当前python相兼容的版本，使用pip install 路径名（.wheel）文件方式进行安装
4、下载并安装pywin32：https://sourceforge.net/projects/pywin32/files/pywin32/ # 去220目录下根据你的系统与python解释器下载相应的版本
# 直接使用国内源下载
pip3 --no-cache-dir install -i https://mirrors.aliyun.com/pypi/simple/pypiwin32 --ignore-installed
# 因为scrapy是基于twisted开发的，所以需要下载twisted
5、下载twisted的wheel文件：http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
6、执行pip3 install 下载目录Twisted-17.9.0-cp36-cp36m-win_amd64.whl # 安装本地的twisted文件
# cmd: >> pip3 install D: ank_filesTwisted-18.9.0-cp36-cp36m-win_amd64.whl
7、pip3 install scrapy # 把1-6做完以后再下载scarpy框架，否则会报错
**Scrapy使用**
1、进入终端cmd
-scrapy
C:Users沈金金>scrapy
Scrapy 1.6.0 - no active project
2、创建scrapy项目
1、创建一个文件夹，专门用于存放scrapy项目
-D:Scrapy_project
2、cmd终端输入
-scrapy startproject Spider Project
二、微信机器人
1 # from wxpy import * 2 # bot = Bot() 3 # bot = Bot(cache_path=True) # 必须先登录过一次以后才可以使用缓存 4 5 6 # from wxpy import Bot 7 # from pyecharts import Pie 8 # import webbrowser 9 # 10 # # 实例化一个微信机器人对象 11 # bot = Bot() 12 # 13 # # 获取到微信的所有好友 14 # friends = bot.friends() 15 # 16 # # 设定男性女性位置性别好友名称 17 # attr = ['男朋友', '女朋友', '人妖'] 18 # 19 # # 初始化对应好友数量 20 # value = [0, 0, 0] 21 # 22 # # 遍历所有的好友,判断这个好友是男性还是女性 23 # for friend in friends: 24 # if friend.sex == 1: 25 # value[0] += 1 26 # elif friend.sex == 2: 27 # value[1] += 1 28 # else: 29 # value[2] += 1 30 # 31 # # 实例化一个饼状图对象 32 # pie = Pie('tank的好友们!') 33 # 34 # # 图表名称str，属性名称list，属性所对应的值list，is_label_show是否现在标签 35 # pie.add('', attr, value, is_label_show=True) 36 # 37 # # 生成一个html文件 38 # pie.render('friends.html') 39 # 40 # # 打开html文件 41 # webbrowser.open('friends.html') 42 43 44 ''' 45 $ pip36 install echarts-countries-pypkg 46 $ pip36 install echarts-china-provinces-pypkg 47 $ pip36 install echarts-china-cities-pypkg 48 $ pip36 install echarts-china-counties-pypkg 49 $ pip36 install echarts-china-misc-pypkg 50 ''' 51 52 53 from wxpy import * 54 from pyecharts import Map 55 import webbrowser 56 bot=Bot(cache_path=True) 57 58 friends=bot.friends() 59 60 61 area_dic={}#定义一个字典,用来存放省市以及省市人数 62 for friend in friends: 63 if friend.province not in area_dic: 64 area_dic[friend.province]=1 65 else: 66 area_dic[friend.province]+=1 67 68 attr = area_dic.keys() 69 value = area_dic.values() 70 71 72 73 map = Map("好朋友们的地域分布", width=1200, height=600) 74 map.add( 75 "好友地域分布", 76 attr, 77 value, 78 maptype='china', 79 is_visualmap=True, #结合体VisualMap 80 81 ) 82 #is_visualmap -> bool 是否使用视觉映射组件 83 # 84 map.render('area.html') 85 86 87 webbrowser.open("area.html")
三、Scrapy爬虫框架
1 # main（） 2 from scrapy.cmdline import execute 3 4 # 写终端的命令 5 # scrapy crawl baidu 6 # 执行baidu爬虫程序 7 # execute(["scrapy", 'crawl', "baidu"]) 8 9 # 创建爬取链家网爬虫程序 10 # execute(["scrapy", "genspider", "lianjia", "lianjia.com"]) 11 12 # 执行链家爬虫程序 13 # execute("scrapy crawl lianjia".split(" ")) 14 15 # --nolog去除日志 16 execute("scrapy crawl --nolog lianjia".split(" "))
1 # -*- coding: utf-8 -*- 2 import scrapy 3 from scrapy import Request 4 5 # response的类 6 from scrapy.http.response.html import HtmlResponse 7 class LianjiaSpider(scrapy.Spider): 8 name = 'lianjia' # 爬虫程序名 9 # 只保留包含lianjia.com的url 10 allowed_domains = ['lianjia.com'] # 限制域名 11 12 # 存放初始请求url 13 start_urls = ['https://bj.lianjia.com/ershoufang/'] 14 15 def parse(self, response): # response返回的响应对象 16 # print(response) 17 # print(type(response)) 18 # # 获取文本 19 # print(response.text) 20 # print(response.url) 21 # 获取区域列表url 22 area_list = response.xpath('//div[@data-role="ershoufang"]/div/a') 23 24 # 遍历所有区域列表 25 for area in area_list: 26 print(area) 27 ''' 28 .extract()提取多个 29 .extract_first()提取一个 30 ''' 31 # 1、区域名称 32 area_name = area.xpath('./text()').extract_first() 33 print(area_name) 34 # 2、区域二级url 35 area_url = 'https://bj.lianjia.com/' + area.xpath('./@href').extract_first() 36 print(area_url) 37 # 会把area_url的请求响应数据交给callback方法 38 # yield后面跟着的都会添加到生成器中 39 yield Request(url=area_url, callback=self.parse_area) 40 41 42 def parse_area(self, response): 43 # print(response) 44 45 house_list = response.xpath('//ul[@class="sellListContent"]') 46 # print(house_list) 47 if house_list: 48 for house in house_list: 49 50 house_name = house.xpath('.//div[@class="title"]/a/text()').extract_first() 51 print(house_name) 52 53 house_cost = house.xpath('.//div[@class="totalPrice]/text()').extract_first() + '万' 54 print(house_cost) 55 56 house_price = house.xpath('.//div[@class="unitPrice"]/span/text()').extract_first() 57 print(house_price) 58 59 pass
