Python高级应用程序设计任务要求

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

爬取B站排行榜中的总站榜的三日排行
2.主题式网络爬虫爬取的内容与数据特征分析

爬取内容：排名、视频名、排放量、弹幕数、up主、综合评分、视频链接

数据特征分析：分析排名、播放量、弹幕数和综合评分的关系
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）

实现思路：

1.利用xlsxwriter建表

2.使用requests的get方法爬取页面源代码

3.使用re正则表达式爬取数据并存入表格

技术难点：

1.数据爬取时会出现错误

2.数据存入时会变成乱码

二、主题页面的结构特征分析（15分）

1.主题页面的结构特征

按F12查看，发现需爬取的数据皆为静态

2.Htmls页面解析

div class=“content”标签中的便是要爬取的内容

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requests中的get方法爬取网页，re中的findall的方法来遍历和查找需要获取的节点

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

爬虫程序的代码如下 ：

运行后生成表格

结果如下：

2.对数据进行清洗和处理

数据清洗：

导入数据

删除列

查找重复值

删除重复值

查询空值，返回无空值

查询异常值

3.文本分析（可选）：jieba分词、wordcloud可视化
4.数据分析与可视化

用散点图分析排名和综合评分的分布：

用盒图分析排名和综合评分的分布：

用直方图分析综合评分的分布：

用回归图分析排名和综合评分的关系：

（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）
5.数据持久化

6.附完整程序代码

#导入必须库
import requests
import re
import xlsxwriter
import pandas as pd
import numpy as np
import seaborn as sns
import sklearn
#创建一个函数
def bilibili_craw():
    #创建一个文件
    #为文件命名
    workbook=xlsxwriter.Workbook('B站全站排行榜.xlsx')
    #向文件添加数据
    worksheet=workbook.add_worksheet('Data')
    #为文件每一列命名
    row0=['rank','name','play','view','author','score','line']

    #循环
    for i in range(0,len(row0)):
        worksheet.write(0,i,row0[i])
    #获取网站源代码
    url='https://www.bilibili.com/ranking/all/0/0/3'
    r=requests.get(url)
    rs=r.text

    #循环
    for i in range(1,101):
        try:
            #使用正则表达式获取排名
            p='<li class="rank-item"><div class="num">{0}</div><div class="content"><div class="img">(.+)'.format(i)
            n=re.compile(p).findall(rs)
            #如果排名不为0，则执行下面的循环

            if len(n)!=0:
                #用正则表达式爬取视频名
                p_title='<img alt="(.*?)" src="">'
                v_title=re.compile(p_title).findall(n[0])
                #用正则表达式爬取播放量
                p_play='<span class="data-box"><i class="b-icon play"></i>(.*?)</span>'
                v_play=re.compile(p_play).findall(n[0])
                # 用正则表达式爬取弹幕数
                p_view='<span class="data-box"><i class="b-icon view"></i>(.*?)</span>'
                v_view=re.compile(p_view).findall(n[0])
                # 用正则表达式爬取up主
                p_author='<span class="data-box"><i class="b-icon author"></i>(.*?)</span>'
                v_author=re.compile(p_author).findall(n[0])
                # 用正则表达式爬取综合评分
                p_score='<div>(.*?)</div>'
                v_score=re.compile(p_score).findall(n[0])
                # 用正则表达式爬取视频链接
                p_line='<a href="(.*?)" target="_blank">'
                v_line=re.compile(p_line).findall(n[0])

                #向文件写入爬取到的数据
                row1=[i,v_title[0],v_play[0],v_view[0],v_author[0],v_score[0],v_line[0]]
                #循环
                for j in range(0,len(row1)):
                    worksheet.write(i,j,row1[j])
        except:
            continue
    #关闭文件
    workbook.close()

#运行函数
bilibili_craw()
#导入数据
ranking=pd.DataFrame(pd.read_excel('D:\pycharm\爬虫\B站全站排行榜.xlsx'))
#显示数据前5行
ranking.head()
#删除视频链接那一列
ranking.drop('line',axis=1,inplace=True)
ranking.head()
#查找重复值
ranking.duplicated()
#删除重复值
ranking=ranking.drop_duplicates()
#输出数据前五行
ranking.head()
#查询是否有空值
ranking['rank'].isnull().value_counts()
#异常值查询
ranking.describe()
#绘制散点图
sns.jointplot(x="rank",y="score",data=ranking)
#绘制盒图
sns.boxplot(x='rank',y='score',data=ranking)
#绘制直方图查看score的分布
sns.distplot(ranking['score'])
#绘制回归图
sns.regplot(x='score',y='rank',data=ranking,color='b')

 

四、结论（10分）
1.经过对主题数据的分析与可视化，可以得到哪些结论？

排名越高，综合评分越高

排名越高并不代表观看量，弹幕数越多，但观看量和弹幕数越多，排名都不低
2.对本次程序设计任务完成的情况做一个简单的小结。

通过这次学习，初步了解了python的爬虫功能，对requests库和正则表达式，也有一定的了解，也对如何爬取HTML页面标签信息有了了解。