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
NBA球员拉塞尔-威斯布鲁克生涯表现
2.主题式网络爬虫爬取的内容与数据特征分析
对NBA球员拉塞尔-威斯布鲁克生涯信息进行爬取分析
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）
获取NBA球员拉塞尔-威斯布鲁克生涯信息，提取其中的赛况数据与比分累计。设计方案主要靠requests库结合beautifulsoup进行数据解析。技术难点主要是怎么对获取的信息做可视图分析。
技术路线：requests beautifulsoup
二、主题页面的结构特征分析（15分）
1.主题页面的结构特征
https://nba.hupu.com/players/russellwest*-3016.html
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）
利用find标签进行查找
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。
1.数据爬取与采集
2.对数据进行清洗和处理
3.文本分析（可选）：jieba分词、wordcloud可视化
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）
程序代码：
# -*- coding: utf-8 -*-
import requests
import pandas as pd
import matplotlib.pyplot as plt
from bs4 import BeautifulSoup
list = [] #数据数组
def getWeb(url):
#获取网页数据
try:
r = requests.get(url)
r.raise_for_status()
return r.text
except:
return "响应失败"
def getdata(html):
#初始化
soup = BeautifulSoup(html, "html.parser")
#选择器
table = soup.select("table.players_table.bott.bgs_table > tbody > tr.color_font1.borders_btm")
#循环取出每组数据
for tables in table:
datas = tables.get_text().split('\n')
#去掉数据里的空元素
for i in datas:
if len(i) == 0:
datas.remove(i)
#加入数据组
list.append(datas)
#保存数据
fo = open("russellwest*.txt", "w+")
#循环取出每组数据
for datas in list:
#内循环单数据
for i in datas:
fo.writelines(i + " ")
print(i)
#大循环换行
fo.writelines("\n")
fo.close()
def table(html):
#设置空列表保存数据
list=[]
soup = BeautifulSoup(html, "html.parser")
#寻找球员各对手战队数据的助攻数，并添加进列表
for i in soup.find_all('tr' ,class_='color_font1 borders_btm'):
j=i.select('td')[11].text
list.append(j)
#将前六个对手战队的助攻数作为整型返回
results = ([int(x) for x in list[2:8]])
#设置图表绘制模式
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['font.family'] = 'sans-serif'
#绘制图表
s=pd.Series([results[0],results[1],results[2],results[3],results[4],results[5]],['马刺','魔术','骑士','国王','太阳','猛龙'])
s.plot(kind='bar',title='助攻数量')
plt.show()
if __name__=='__main__':
html = getWeb("https://nba.hupu.com/players/russellwest*-3016.html")
getdata(html)
table(html)
运行结果：
- 数据爬取与采集
# -*- coding: utf-8 -*- import requests import pandas as pd import matplotlib.pyplot as plt from bs4 import BeautifulSoup list = [] #数据数组 def getWeb(url): #获取网页数据 try: r = requests.get(url) r.raise_for_status() return r.text except: return "响应失败" def getdata(html): #初始化 soup = BeautifulSoup(html, "html.parser") #选择器 table = soup.select("table.players_table.bott.bgs_table > tbody > tr.color_font1.borders_btm") #循环取出每组数据 for tables in table: datas = tables.get_text().split('\n') #去掉数据里的空元素 for i in datas: if len(i) == 0: datas.remove(i) #加入数据组 list.append(datas) - 数据取出与保存
#保存数据 fo = open("russellwest*.txt", "w+") #循环取出每组数据 for datas in list: #内循环单数据 for i in datas: fo.writelines(i + " ") print(i) #大循环换行 fo.writelines("\n") fo.close() def table(html): #设置空列表保存数据 list=[] soup = BeautifulSoup(html, "html.parser") #寻找球员各对手战队数据的助攻数，并添加进列表 for i in soup.find_all('tr' ,class_='color_font1 borders_btm'): j=i.select('td')[11].text list.append(j) #将前六个对手战队的助攻数作为整型返回 results = ([int(x) for x in list[2:8]]) - 数据可视化
#设置图表绘制模式 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['font.family'] = 'sans-serif' #绘制图表 s=pd.Series([results[0],results[1],results[2],results[3],results[4],results[5]],['马刺','魔术','骑士','国王','太阳','猛龙']) s.plot(kind='bar',title='助攻数量') plt.show() if __name__=='__main__': html = getWeb("https://nba.hupu.com/players/russellwest*-3016.html") getdata(html) table(html) -
- 经过对主题数据的分析与可视化，可以得到哪些结论？
易看出助攻的数量在猛龙与太阳队最多，在马刺队最少。
- 对本次程序设计任务完成的情况做一个简单的小结。
由于自己对于requests库的不熟练，无法把爬虫做到面面俱到，经过这次任务加深了我对python爬虫的认识也加深了我对爬虫学习的兴趣。