python抓取网页数据(利用sort_values对count列进行排序取前3的思路)

　　python抓取网页数据(利用sort_values对count列进行排序取前3的思路)

　　抓取文章的链接，将流量保存到本地

　　 1 #coding=utf-8

2 import requests as req

3 import re

4 import urllib

5 from bs4 import BeautifulSoup

6 import sys

7 import codecs

8 import time

9

10

11 r=req.get('https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000',

12 headers={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'})

13 content=r.text

14 #print(content)

15 soup=BeautifulSoup(content,'html.parser')

16

17 #下面2行内容解决UnicodeEncodeError: 'ascii' codec can't encode characters in position 63-64问题,但是加了后print就打印不出来了，需要查原因

18 reload(sys)

19 sys.setdefaultencoding('utf-8')

20

21 i=0

22 for tag in soup.find_all(re.compile(r'^a{1}'),{'class':'x-wiki-index-item'}):

23 i=i+1

24 if i%3==0:

25 time.sleep(30)

26 name=tag.get_text()

27 href='https://www.liaoxuefeng.com'+tag['href']

28 req2=req.get(href,headers={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'})

29 time.sleep(3)

30 soup2=BeautifulSoup(req2.text,'html.parser')

31 count=soup2.find_all('div',{'class':'x-wiki-info'})

32 try:

33 co=count[0].find('span').get_text()

34 co=co[7:]

35 except IndexError as e:

36 co='0'

37 with open('E:/sg_articles.xlsx', 'a+') as f:

38 f.write(codecs.BOM_UTF8)#解决写入csv后乱码问题

39 f.write(name+','+href+','+co+'\n')

40 '''

41 睡眠是因为网页访问过多就会报503 Service Unavailable for Bot网站超过了iis限制造成的由于2003的操作系统在提示IIS过多时并非像2000系统提示“链接人数过多”

42 http://www.51testing.com/html/53/15150753-4455790.html --数据可视化

43 http://www.cnblogs.com/xxoome/p/5880693.html --python引入模块时import与from ... import的区别

44 https://www.cnblogs.com/amou/p/9184614.html --讲解几种爬取网页的匹配方式

45 https://www.cnblogs.com/yinheyi/p/6043571.html --python基本语法

46 '''

　　以上代码思路：先获取主网页，然后遍历主网页上的文章链接，请求这些链接进入子页面，从而获取span保存的访问量子页面中的标签。

　　

　　打开下面的本地文件，pandas会分析数据，然后pyecharts会实现图形

　　 1 #coding=utf-8

2 from pyecharts import Bar

3 import pandas as pd

4

5 p=pd.read_excel('E:\sg_articles.xls',names=["title","href","count"])

6 a=p.sort_values(by='count',ascending=False)[0:3]

7 title=a['title']

8 count=a['count']

9 bar=Bar("点击量TOP3", title_pos='center', title_top='18', width=800, height=400)

10 bar.add("", title, count, is_convert=True, xaxis_min=10, yaxis_rotate=30, yaxis_label_textsize=10, is_yaxis_boundarygap=True, yaxis_interval=0,

11 is_label_show=True, is_legend_show=False, label_pos='right',is_yaxis_inverse=True, is_splitline_show=False)

12 bar.render("E:\点击量TOP3.html")

　　最终结果

　　

　　同时还有很多问题，有知道的朋友帮忙解答一下：

　　1.第一段代码保存的xlsx格式，实际保存后显示损坏。用xml打开就没问题，用xls格式打开也没问题。

　　2. 访问次数过多会报错。我使用了睡眠，但实际上，访问次数是间歇性地读取值。为什么有些人无法读取值？

　　3.使用sort_values对count列进行排序，取前3，这样会自动排除excel表格的第一行，不知道为什么

　　我觉得还需要加强1）pandas的数据处理方式，比如分组排序。

　　2）正则表达式提取

　　3）Pyecharts 图形绘制

　　4）遇到网页反爬等情况时的虚拟ip设置

　　记录我的python学习路径，大家一起努力~~