作业说明
-
请在下方提示位置,补充代码,完成《青春有你2》选手图片爬取,将爬取图片进行保存,保证代码正常运行
-
打印爬取的所有图片的绝对路径,以及爬取的图片总数,此部分已经给出代码。请在提交前,一定要保证有打印结果,如下图所示:
深度学习一般过程:
![image-20220509113842897](https://img-blog.csdnimg.cn/img_convert/0471922eb429bf111042606139f0f378.png)
收集数据,尤其是有标签、高质量的数据是一件昂贵的工作。
爬虫的过程,就是模仿浏览器的行为,往目标站点发送请求,接收服务器的响应数据,提取需要的信息,并进行保存的过程。
Python为爬虫的实现提供了工具:requests模块、BeautifulSoup库
任务描述
本次实践使用Python来爬取百度百科中《青春有你2》所有参赛选手的信息。
数据获取:https://baike.baidu.com/item/青春有你第二季
![image-20220509114008222](https://img-blog.csdnimg.cn/img_convert/197dd7b5e96cb99e5900fb58d3c1dee2.png)
上网的全过程:
普通用户:
打开浏览器 --> 往目标站点发送请求 --> 接收响应数据 --> 渲染到页面上。
爬虫程序:
模拟浏览器 --> 往目标站点发送请求 --> 接收响应数据 --> 提取有用的数据 --> 保存到本地/数据库。
爬虫的过程:
1.发送请求(requests模块)
2.获取响应数据(服务器返回)
3.解析并提取数据(BeautifulSoup查找或者re正则)
4.保存数据
本实践中将会使用以下两个模块,首先对这两个模块简单了解以下:
request模块:
requests是python实现的简单易用的HTTP库,官网地址:http://cn.python-requests.org/zh_CN/latest/
requests.get(url)可以发送一个http get请求,返回服务器响应内容。
BeautifulSoup库:
BeautifulSoup 是一个可以从HTML或XML文件中提取数据的Python库。网址:https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/
BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,其中一个是 lxml。
BeautifulSoup(markup, "html.parser")或者BeautifulSoup(markup, "lxml"),推荐使用lxml作为解析器,因为效率更高。
# #如果需要进行持久化安装, 需要使用持久化路径, 如下方代码示例:
# !mkdir /home/aistudio/external-libraries
# !pip install beautifulsoup4 -t /home/aistudio/external-libraries
# !pip install lxml -t /home/aistudio/external-libraries
# 同时添加如下代码, 这样每次环境(kernel)启动的时候只要运行下方代码即可:
import sys
sys.path.append('/home/aistudio/external-libraries')
一、爬取百度百科中《青春有你2》中所有参赛选手信息,返回页面数据
import json
import re
import requests
import datetime
from bs4 import BeautifulSoup
import os
#获取当天的日期,并进行格式化,用于后面文件命名,格式:20200420
today = datetime.date.today().strftime('%Y%m%d')
def crawl_wiki_data():
"""
爬取百度百科中《青春有你2》中参赛选手信息,返回html
"""
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
}
url='https://baike.baidu.com/item/青春有你第二季'
try:
response = requests.get(url,headers=headers)
print(response.status_code)
#将一段文档传入BeautifulSoup的构造方法,就能得到一个文档的对象, 可以传入一段字符串
soup = BeautifulSoup(response.text,"lxml")
#返回的是class为table-view log-set-param的<table>所有标签
tables = soup.find_all('table')
# print(tables)
crawl_table_title = "参赛学员"
for table in tables:
#对当前节点前面的标签和字符串进行查找
table_titles = table.find_previous('div').find_all('h3')
for title in table_titles:
if(crawl_table_title in title):
return table
except Exception as e:
print(e)
二、对爬取的页面数据进行解析,并保存为JSON文件
def parse_wiki_data(table_html):
'''
从百度百科返回的html中解析得到选手信息,以当前日期作为文件名,存JSON文件,保存到work目录下
'''
bs = BeautifulSoup(str(table_html),"lxml")
all_trs = bs.find_all('tr')
# print(all_trs)
error_list = ['\'','\"']
stars = []
for tr in all_trs[1:]:
all_tds = tr.find_all('td')
# print(all_tds)
star = {}
#姓名
star["name"]=all_tds[0].text
#个人百度百科链接
star["link"]= 'https://baike.baidu.com' + all_tds[0].find('a').get('href')
#籍贯
star["zone"]=all_tds[1].text
#星座
star["constellation"]=all_tds[2].text
#花语,去除掉花语中的单引号或双引号
flower_word = all_tds[3].text
for c in flower_word:
if c in error_list:
flower_word=flower_word.replace(c,'')
star["flower_word"]=flower_word
#公司
if not all_tds[4].find('a') is None:
star["company"]= all_tds[4].find('a').text
else:
star["company"]= all_tds[4].text
stars.append(star)
json_data = json.loads(str(stars).replace("\'","\""))
with open('work/' + today + '.json', 'w', encoding='UTF-8') as f:
json.dump(json_data, f, ensure_ascii=False)
三、爬取每个选手的百度百科图片,并进行保存
!!!请在以下代码块中补充代码,爬取每个选手的百度百科图片,并保存 !!!
def crawl_pic_urls():
'''
爬取每个选手的百度百科图片,并保存
'''
with open('work/'+ today + '.json', 'r', encoding='UTF-8') as file:
json_array = json.loads(file.read())
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
}
for star in json_array:
name = star['name']
link = star['link']
#!!!请在以下完成对每个选手图片的爬取,将所有图片url存储在一个列表pic_urls中!!!
#向选手个人百度百科发送一个http get请求
response = requests.get( link, headers=headers)
#将一段文档传入BeautifulSoup的构造方法,就能得到一个文档的对象
bs = BeautifulSoup(response.text, "lxml")
#从个人百度百科页面中解析得到一个链接,该链接指向选手图片列表页面
if(bs.select( '.summary-pic' )):
pic_list_url = bs.select( '.summary-pic a' )[0].get( 'href' )
else:
continue
pic_list_url = 'https://baike.baidu.com' + pic_list_url
#向选手图片列表页面发送http get请求
pic_list_response = requests.get(pic_list_url,headers=headers)
#对选手图片列表页面进行解析,获取所有图片链接
bs = BeautifulSoup(pic_list_response.text, 'lxml')
pic_list_html=bs.select( '.pic-list img')
pic_urls = []
for pic_html in pic_list_html:
pic_url = pic_html.get( 'src')
pic_urls.append(pic_url)
#!!!根据图片链接列表pic_urls, 下载所有图片,保存在以name命名的文件夹中!!!
down_pic(name,pic_urls)
def down_pic(name,pic_urls):
'''
根据图片链接列表pic_urls, 下载所有图片,保存在以name命名的文件夹中,
'''
path = 'work/'+'pics/'+name+'/'
if not os.path.exists(path):
os.makedirs(path)
for i, pic_url in enumerate(pic_urls):
try:
pic = requests.get(pic_url, timeout=15)
string = str(i + 1) + '.jpg'
with open(path+string, 'wb') as f:
f.write(pic.content)
print('成功下载第%s张图片: %s' % (str(i + 1), str(pic_url)))
except Exception as e:
print('下载第%s张图片时失败: %s' % (str(i + 1), str(pic_url)))
print(e)
continue
四、打印爬取的所有图片的路径
def show_pic_path(path):
'''
遍历所爬取的每张图片,并打印所有图片的绝对路径
'''
pic_num = 0
for (dirpath,dirnames,filenames) in os.walk(path):
for filename in filenames:
pic_num += 1
print("第%d张照片:%s" % (pic_num,os.path.join(dirpath,filename)))
print("共爬取《青春有你2》选手的%d照片" % pic_num)
if __name__ == '__main__':
#爬取百度百科中《青春有你2》中参赛选手信息,返回html
html = crawl_wiki_data()
#解析html,得到选手信息,保存为json文件
parse_wiki_data(html)
#从每个选手的百度百科页面上爬取图片,并保存
crawl_pic_urls()
#打印所爬取的选手图片路径
show_pic_path('/home/aistudio/work/pics/')
print("所有信息爬取完成!")
200
成功下载第1张图片: https://bkimg.cdn.bcebos.com/pic/b03533fa828ba61ea8d3fd9ed964800a304e251ff378?x-bce-process=image/resize,m_lfit,h_160,limit_1/format,f_auto
成功下载第2张图片: https://bkimg.cdn.bcebos.com/pic/b812c8fcc3cec3fdfc0388c14ed8c33f8794a4c2897d?x-bce-process=image/resize,m_lfit,h_160,limit_1/format,f_auto
成功下载第3张图片: https://bkimg.cdn.bcebos.com/pic/fd039245d688d43f8794ba46e54ec51b0ef41bd58d7d?x-bce-process=image/resize,m_lfit,h_160,limit_1/format,f_auto
成功下载第4张图片: https://bkimg.cdn.bcebos.com/pic/0ff41bd5ad6eddc451daa74fa18ba1fd5266d016957d?x-bce-process=image/resize,m_lfit,h_160,limit_1/format,f_auto
成功下载第5张图片: https://bkimg.cdn.bcebos.com/pic/eaf81a4c510fd9f9d72af065807dc32a2834349b0e24?x-bce-process=image/resize,m_lfit,h_160,limit_1/format,f_auto
成功下载第6张图片: https://bkimg.cdn.bcebos.com/pic/faf2b2119313b07eca80a7f98785862397dda04426bd?x-bce
.....
第1张照片:/home/aistudio/work/pics/段小薇/1.jpg
第2张照片:/home/aistudio/work/pics/孙美楠/1.jpg
第3张照片:/home/aistudio/work/pics/孙美楠/2.jpg
第4张照片:/home/aistudio/work/pics/申冰/1.jpg
第5张照片:/home/aistudio/work/pics/冯若航/3.jpg
.....
第279张照片:/home/aistudio/work/pics/夏研/4.jpg
第280张照片:/home/aistudio/work/pics/夏研/2.jpg
第281张照片:/home/aistudio/work/pics/林韦希/1.jpg
第282张照片:/home/aistudio/work/pics/林韦希/2.jpg
共爬取《青春有你2》选手的282照片
所有信息爬取完成!